Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá khả năng của mô hình học máy dự đoán dựa trên thị giác trong việc đo lường sự thay đổi về đi lại của bệnh nhân Parkinson sau điều trị thuốc và DBS
Tóm tắt
Các rối loạn vận động liên quan đến đi lại trong bệnh Parkinson (PD) thường được điều trị bằng thuốc dopaminergic hoặc kích thích não sâu (DBS), tuy nhiên mức độ phản ứng này có sự biến thiên giữa các cá nhân. Những phương pháp dựa trên thị giác máy tính đã được đánh giá trước đây để đo độ nghiêm trọng của tình trạng đi lại Parkinson qua video, nhưng chưa được kiểm tra về khả năng nhận diện sự thay đổi trong các cá nhân khi được điều trị. Nghiên cứu thí điểm này xem xét liệu một mô hình dựa trên thị giác, được đào tạo từ các video về các triệu chứng Parkinson, có khả năng phát hiện sự cải thiện trong đi lại của người bệnh PD khi được điều trị bằng thuốc và DBS hay không. Một mô hình tích chập đồ thị không gian-thời gian đã được đào tạo để dự đoán điểm số MDS-UPDRS về đi lại từ 362 video của 14 người lớn tuổi có triệu chứng Parkinson do thuốc. Mô hình này sau đó đã được dùng để dự đoán điểm số MDS-UPDRS về đi lại trên một tập dữ liệu khác bao gồm 42 video đôi của 13 cá nhân mắc PD, được ghi lại khi có và không có điều trị thuốc và DBS trong cùng một lần khám lâm sàng. Các phương pháp thống kê đã được sử dụng để đánh giá xem mô hình có phản ứng với sự thay đổi trong đi lại ở trạng thái có và không hay không. Điểm số MDS-UPDRS về đi lại được mô hình dự đoán trung bình thấp hơn (cho thấy đi lại cải thiện; p = 0.017, d của Cohen = 0.495) trong điều kiện có thuốc và DBS. Mức độ sự khác biệt giữa trạng thái có và không có điều trị có tương quan đáng kể giữa các dự đoán của mô hình và ghi chú của bác sĩ (p = 0.004). Các điểm số được dự đoán có tương quan đáng kể với điểm số của bác sĩ (tau-b của Kendall = 0.301, p = 0.010), nhưng được phân bố trong một khoảng nhỏ hơn so với điểm số của bác sĩ. Mô hình dựa trên thị giác được đào tạo từ tình trạng đi lại Parkinson không dự đoán chính xác điểm số MDS-UPDRS về đi lại trong một nhóm bệnh nhân PD khác, nhưng phát hiện những biến đổi tỷ lệ yếu, nhưng có ý nghĩa thống kê trong phản ứng với điều trị bằng thuốc và DBS. Cần có những tập dữ liệu video lớn, được xác thực lâm sàng, được ghi lại trong nhiều bối cảnh và điều kiện điều trị khác nhau để phát triển các mô hình dựa trên thị giác chính xác về tình trạng đi lại Parkinson.
Từ khóa
#Parkinson #đi lại #MDS-UPDRS #mô hình học máy #thuốc #kích thích não sâuTài liệu tham khảo
Jankovic J. Parkinson’s disease: clinical features and diagnosis. J Neurol Neurosurg Psychiatry. 2008;79(4):368–76.
Mirelman A, et al. Gait impairments in Parkinson’s disease. Lancet Neurol. 2019;18(9):697–708.
Okuma Y, de Lima ALS, Fukae J, Bloem BR, Snijders AH. A prospective study of falls in relation to freezing of gait and response fluctuations in Parkinson’s disease. Parkinsonism Relat Disord. 2018;46:30–5.
Fox SH, et al. International Parkinson and movement disorder society evidence-based medicine review: update on treatments for the motor symptoms of Parkinson’s disease. Mov Disord. 2018;33(8):1248–66.
Caramia C, et al. IMU-based classification of Parkinson’s disease from gait: a sensitivity analysis on sensor location and feature selection. IEEE J Biomed Health Inform. 2018;22(6):1765–74.
Powers R, et al. Smartwatch inertial sensors continuously monitor real-world motor fluctuations in Parkinson’s disease”. Sci Transl Med. 2021;13(579):eabd7865. https://doi.org/10.1126/scitranslmed.abd7865.
Bertoli M, et al. Estimation of spatio-temporal parameters of gait from magneto-inertial measurement units: multicenter validation among Parkinson, mildly cognitively impaired and healthy older adults. Biomed Eng Online. 2018;17(1):1–14.
De Lima ALS, et al. Feasibility of large-scale deployment of multiple wearable sensors in Parkinson’s disease. PLoS ONE. 2017;12(12):e0189161.
Sabo A, Mehdizadeh S, Iaboni A, Taati B. Estimating parkinsonism severity in natural gait videos of older adults with dementia. IEEE J Biomed Health Inform. 2022. https://doi.org/10.1109/JBHI.2022.3144917.
Lu M, et al. Quantifying Parkinson’s disease motor severity under uncertainty using MDS-UPDRS videos. Med Image Anal. 2021;73:102179.
Rupprechter S, et al. A clinically interpretable computer-vision based method for quantifying gait in Parkinson’s disease. Sensors. 2021. https://doi.org/10.3390/s21165437.
Mehdizadeh S, et al. Predicting short-term risk of falls in a high-risk group with dementia. J Am Med Dir Assoc. 2021;22(3):689–95.
Goetz CG, et al. Movement disorder society-sponsored revision of the unified Parkinson’s disease rating scale (MDS-UPDRS): scale presentation and clinimetric testing results. Mov Disord. 2008;23(15):2129–70.
Li MH, Mestre TA, Fox SH, Taati B. Automated assessment of levodopa-induced dyskinesia: evaluating the responsiveness of video-based features. Parkinsonism Relat Disord. 2018;53:42–5. https://doi.org/10.1016/j.parkreldis.2018.04.036.
Cossu G, Pau M. Subthalamic nucleus stimulation and gait in Parkinson’s disease: a not always fruitful relationship. Gait Posture. 2017;52:205–10.
de Deus Fonticoba T, Santos García D, Macías Arribí M. Inter-rater variability in motor function assessment in Parkinson’s disease between experts in movement disorders and nurses specialising in PD management”. Neurología (English Edition). 2019;34(8):520–6. https://doi.org/10.1016/j.nrleng.2017.03.006.
Sabo A, Gorodetsky C, Fasano A, Iaboni A, Taati B. Concurrent validity of zeno instrumented walkway and video-based gait features in adults with Parkinson’s disease. IEEE J Transl Eng Health Med. 2022;10:1–11. https://doi.org/10.1109/JTEHM.2022.3180231.
Stenum J, Hsu MM, Pantelyat AY, Roemmich RT. Clinical gait analysis using video-based pose estimation: multiple perspectives, clinical populations, and measuring change. medRxiv. 2023. https://doi.org/10.1101/2023.01.26.23285007.
Stenum J, Rossi C, Roemmich RT. Two-dimensional video-based analysis of human gait using pose estimation. PLoS Comput Biol. 2021;17(4):e1008935.
Yahalom H, et al. Psychiatric patients on neuroleptics: evaluation of parkinsonism and quantified assessment of gait. Clin Neuropharmacol. 2020;43(1):1–6.
Shin H-W, Chung SJ. Drug-induced parkinsonism. J Clin Neurol. 2012;8(1):15–21.
Endo M, Poston KL, Sullivan EV, Fei-Fei L, Pohl KM, Adeli E. GaitForeMer: self-supervised pre-training of transformers via human motion forecasting for few-shot gait impairment severity estimation. In International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer, 2022, pp. 130–139.
Shrout PE, Fleiss JL. Intraclass correlations: uses in assessing rater reliability. Psychol Bull. 1979;86(2):420.
Dolatabadi E, Zhi YX, Flint AJ, Mansfield A, Iaboni A, Taati B. The feasibility of a vision-based sensor for longitudinal monitoring of mobility in older adults with dementia. Arch Gerontol Geriatr. 2019;82:200–6. https://doi.org/10.1016/j.archger.2019.02.004.
Mehdizadeh S, et al. Gait changes over time in hospitalized older adults with advanced dementia: predictors of mobility change. PLoS ONE. 2021;16(11):e0259975.
Caligiuri M, Jeste D, Lacro J. Antipsychotic-induced movement disorders in the elderly. Drugs Aging. 2000;17:363–84. https://doi.org/10.2165/00002512-200017050-00004.
Rochon PA, et al. Atypical antipsychotics and parkinsonism. Arch Intern Med. 2005;165(16):1882–8.
Cao Z, Hidalgo G, Simon T, Wei S-E, Sheikh Y. OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields. IEEE Trans Pattern Anal Mach Intell. 2019;43(1):172–86.
Wu Y, Kirillov A, Massa F, Lo W-Y, Girshick R. Detectron2. 2019. https://github.com/facebookresearch/detectron2.
He K, Gkioxari G, Dollár P, Girshick R. Mask. R-CNN. In Proceedings of the IEEE international conference on computer vision, 2017, pp. 2961–2969.
Fang H-S, Xie S, Tai Y-W, Lu C. Rmpe: Regional multi-person pose estimation. In Proceedings of the IEEE International Conference on Computer Vision, 2017, pp. 2334–2343.
Kipf TN, Welling M. Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv:1609.02907, 2016.
Yan S, Xiong Y, Lin D. Spatial temporal graph convolutional networks for skeleton-based action recognition. Thirty-second AAAI conference on artificial intelligence. Jan 2018. https://arxiv.org/abs/1801.07455. Accessed 08 Oct 2019.
Zhang J, Lim J, Kim M-H, Hur S, Chung T-M. WM–STGCN: a novel spatiotemporal modeling method for Parkinsonian gait recognition. Sensors. 2023;23(10):4980.
Guo R, Shao X, Zhang C, Qian X. Multi-scale sparse graph convolutional network for the assessment of Parkinsonian gait. IEEE Trans Multimedia. 2021. https://doi.org/10.1109/TMM.2021.3068609.
Lu M, et al. Vision-based estimation of MDS-UPDRS gait scores for assessing Parkinson’s disease motor severity. Med Image Comput Comput Assist Interv. 2020;12263:637–47. https://doi.org/10.1007/978-3-030-59716-0_61.