npj Digital Medicine | 使用静态平衡测试诊断帕金森及其阶段分期

韩国科学技术研究院智能与互动研究中心Dawoon Jung等人提出一种使用静态站立平衡和机器学习来识别帕金森病(PD)及其阶段的创新方法。11月30日，相关研究工作以“Identifying Parkinson’s disease and its stages using static standing balance”为题发表于《npj Digital Medicine》。

帕金森病（PD）是世界上增长最快的神经系统疾病。由于震颤、僵硬、运动迟缓和姿势不稳等症状，PD 患者在控制身体运动方面面临重大挑战。随着这些症状的进展，保持平衡、行走和进行日常活动（如进食和穿衣）变得越来越困难。

目前对帕金森病（PD）的评估依赖于动态运动任务，限制了可及性。

该研究提出了一种创新方法，使用静态站立平衡来识别 PD 及其阶段，而无需动态运动或熟练专业人员参与的任务。通过在10秒静态站立平衡任务期间收集压力中心（CoP）轨迹数据。将使用表示学习和手工制作方法从这些数据中提取特征。将对基于Transformer 编码器的分类器进行这些特征的训练，并评估其在对没有 PD 的个体和HY阶段（经典PD分期方法） 1.0、1.5、2.0、2.5 和 3.0 期的 PD 患者进行分类方面的性能。

识别帕金森病及其 Hoehn 和 Yahr 分期的重要特征的可视化。图片来源：npj Digital Medicine（2024）

该研究共招募了 210 名参与者，包括 1 例对照组和 5 例按分期分类的 PD 组。每个参与者完成一项 10 秒的静态站立平衡任务，其中收集了内侧和前后方向的压力轨迹中心数据。

测试数据集中对 6 个研究组进行分类的结果的混淆矩阵

基于CoP轨迹数据中提取的特征，研究者使用表示学习和手工制作方法从中得出数据。基于 Transformer 编码器的分类器对这些特征进行了训练，并获得了 F1- 对六个研究组进行分类的分数为 0.963。

从静态站立平衡任务期间收集的压力中心 （CoP） 轨迹数据得出的数据。

从输入数据到输出分类的处理管线

与动态运动任务（如步行）相比，10 秒静态站立平衡任务的负担相对较轻，并且需要最少的专业设置和帮助。这种方法不仅显著提高了 PD 评估和监测的可及性，而且还消除了许多相关的限制。因此，它有助于早期发现 PD 和及时干预，改善患者和护理人员的预后和生活质量。

值得注意的是，本研究设计了一种在早期阶段识别PD的方法，特别是 HY 1.0 和 1.5 期，这在以前的研究中有些被忽视。对疾病的早期评估允许更广泛的治疗选择，并为减缓甚至阻止疾病进展提供了更大的潜力。同时，这种方法的有利结果可能源于利用对 CoP 数据进行多方面分析的新框架。与仅依赖椭圆参数的研究不同，本研究结合了来自时间、频率和非线性域等各个域的参数。

研究者在文章中说到：“本研究中引入的新型数据挖掘框架预示着时间序列数据驱动型数字医疗保健的新时代。”

但是该研究的局限性也比较明显。首先，该研究无法纳入具有不同种族或地理背景的参与者，并且所有参与者都是韩国人。为了确保可推广性，未来应在不同种族和更大人群中进行验证。其次，该研究没有考虑 PD 随时间进行的性质。研究者同时正在计划一项后续纵向研究，将 PD 的进展纳入拟议的方法中。第三，用于本研究的设备相当专业，鉴于情况，可能不容易获得。未来应考虑使用更可用的替代品（如智能鞋垫）。最后，该研究并未将提出的方法与其他 PD 评估工具进行比较。

文章链接：

https://www.nature.com/articles/s41746-024-01351-x