可穿戴设备和机器学习预测帕金森病患者五年跌倒风险

Wearables and machine learning predict five-year fall risk in Parkinson’s patients

可穿戴设备的传感器数据在五年内分析了帕金森病患者的行走和姿势差异，这些差异可以预测跌倒风险。

研究背景

跌倒是帕金森病患者的重要问题，通常会导致受伤、行动能力下降和生活质量降低。研究表明，超过一半的帕金森病患者至少会经历一次跌倒，跌倒风险随着步态变化、姿势不稳和疾病进展而增加。传统的跌倒风险评估主要依赖于临床判断，这可能是主观和不一致的。然而，新兴的可穿戴传感器技术提供了更客观地测量运动的机会，提供了难以通过视觉检测到的步态和平衡异常的见解。

以前的研究已经证明了可穿戴设备在短期跌倒预测中的实用性，但大多数研究集中在回顾性的跌倒数据或有限的随访时间内。此外，短时间、基于诊所的评估在长时间内预测跌倒的能力尚未得到充分探索，导致缺乏实用的、可扩展的主动管理解决方案。

研究方法

在这项研究中，研究人员考察了104名帕金森病患者，作为牛津量化帕金森病（OxQUIP）队列研究的一部分。参与者根据特定标准招募，包括轻度至中度原发性帕金森病，以及无需辅助即可行走和站立的能力。

基线数据是在两分钟的行走任务和30秒的姿势摇摆任务中使用可穿戴传感器收集的。所有参与者佩戴六个惯性测量单元（IMU）传感器，分别放置在手腕、脚、胸骨和腰椎区域，以捕捉加速度计、陀螺仪和磁力计数据。

研究人员通过临床访问和两年及五年的随访确定了跌倒状态。为了确保稳健的分析，他们重新采样了大部分“非跌倒者”类，以平衡机器学习模型的数据集。使用交叉验证技术训练了五种分类器：随机森林、逻辑回归、弹性网络、支持向量机和XGBoost。额外的性能指标包括准确性、精确度、召回率和接收者操作特征曲线下的面积（ROC-AUC）值。

该研究还进行了特征选择，以确定关键预测因子，重点关注步态变异性和姿势摇摆。评估了包括年龄、病程和基线临床评分在内的临床人口学数据的影响，测试了四个特征集。此外，研究人员还评估了仅使用运动学特征和组合数据集的各种模型的预测能力，并确保所有分析都考虑了数据标准化，避免了数据泄漏等偏差。

主要发现

研究结果显示，可穿戴传感器和机器学习模型可以有效地预测帕金森病患者随时间的跌倒风险。在24个月时，机器学习分类器表现出色，准确率在84%至92%之间，曲线下面积（AUC）超过0.90。

对于五年的预测，结合了临床人口学数据（包括年龄）的随机森林模型实现了最高的准确率，达到78%，AUC为0.85。此外，研究人员指出，添加临床人口学数据与仅使用运动学特征相比，略微提高了预测性能。步态和姿势变异性被确定为未来跌倒的最重要预测因子。主要变量包括单腿和双腿支撑阶段的变化、步长和姿势摇摆加速度。研究还发现，较短的预测时间范围产生了更高的模型准确性，进一步突显了由于疾病进展的变异性，在较长时期内预测结果的挑战。

机器学习模型在预测跌倒方面的表现与临床量表进行了比较，如运动障碍学会（MDS）修订的统一帕金森病评定量表（MDS-UPDRS）和帕金森病问卷（PDQ-39）。研究结果表明，基于传感器的评估提供了更高的预测准确性。尽管在较长时间范围内观察到了一些预测准确性的下降，但结果展示了可穿戴技术在临床环境中增强跌倒风险管理的潜力。

结论

总体而言，该研究强调了将可穿戴传感器数据与机器学习模型相结合，以预测帕金森病患者跌倒风险的潜力。研究结果还强调了步行和姿势变异性作为预测因素的重要性，并展示了短时间、基于诊所的评估的可行性。通过改进早期跌倒风险的检测，这些方法为针对性干预提供了途径，减少了跌倒的发生，提高了帕金森病患者的生活质量。

参考文献：

Sotirakis, C., Brzezicki, M. A., Patel, S., Conway, N., FitzGerald, J. J., & Antoniades, C. A. (2024). Predicting future fallers in Parkinson's disease using kinematic data over a period of 5 years. Npj Digital Medicine, 7(1), 345. doi:10.1038/s41746024013115

(全文结束)