Co

npj Digital Medicine Band 5, Artikelnummer: 32 (2022) Diesen Artikel zitieren

5767 Zugriffe

19 Zitate

14 Altmetrisch

Details zu den Metriken

Die Parkinson-Krankheit (PD) ist eine neurodegenerative Erkrankung, die durch motorische Beeinträchtigungen wie Zittern, Bradykinesie, Dyskinesie und Gangstörungen gekennzeichnet ist. Aktuelle Protokolle bewerten die PD-Symptome bei Klinikbesuchen und können subjektiv sein. Patiententagebücher können Ärzten bei der Beurteilung der Symptome zu Hause helfen, können jedoch unvollständig oder ungenau sein. Daher haben Forscher automatisierte Methoden zur Überwachung der Parkinson-Symptome zu Hause entwickelt, um eine datengesteuerte Parkinson-Diagnose und -Behandlung zu ermöglichen. Wir haben die PubMed-Datenbank der US National Library of Medicine abgefragt, um den Fortschritt der Technologien und rechnerischen/maschinellen Lernmethoden zu analysieren, die zur Überwachung häufiger Symptome der motorischen Parkinson-Krankheit eingesetzt werden. Es wurde eine Teilmenge von rund 12.000 Artikeln überprüft, die die Zeitpläne für maschinelles Lernen und Technologie, die sich aus der Durchsicht der Literatur ergaben, am besten charakterisierten. Die zur Überwachung der motorischen Parkinson-Symptome eingesetzte Technologie hat in den letzten fünf Jahrzehnten erhebliche Fortschritte gemacht. Die frühe Überwachung begann mit Laborgeräten wie nadelbasiertem EMG, ging dann zu Beschleunigungsmessern/Gyroskopen im Labor über, dann zu tragbaren Beschleunigungsmessern/Gyroskopen und schließlich zur Überwachung zu Hause, die auf Telefonen, Mobilgeräten und Webanwendungen basiert. Auch beim Einsatz maschineller Lernalgorithmen zur Klassifizierung von PD-Patienten wurden erhebliche Fortschritte erzielt. Unter Verwendung von Daten verschiedener Geräte (z. B. Videokameras, telefonbasierte Beschleunigungsmesser) haben Forscher auf neuronalen Netzwerken und nicht-neuronalen Netzwerken basierende Algorithmen für maschinelles Lernen entwickelt, um PD-Patienten nach Tremor, Gang, Bradykinesie und Dyskinesie zu kategorisieren. Die fünf Jahrzehnte dauernde Koevolution von Technologie und Computertechniken zur Überwachung der motorischen Parkinson-Symptome hat zu erheblichen Fortschritten geführt, die den Übergang von der Überwachung der Parkinson-Symptome im Labor/in der Klinik zur häuslichen Überwachung ermöglichen.

Die Parkinson-Krankheit (PD) ist eine komplexe neurodegenerative Erkrankung, die häufig durch motorische Beeinträchtigungen wie Zittern, Bradykinesie, Dyskinesie und Gangstörungen gekennzeichnet ist1. Die ordnungsgemäße Beurteilung motorischer Parkinson-Beeinträchtigungen ist für die klinische Behandlung der Krankheit von entscheidender Bedeutung2,3. Der richtige Zeitpunkt für dopaminerge Medikamente4, um einen plötzlichen Anstieg der Symptomschwere5 zu vermeiden, und die Auswahl von Interventionen wie der Tiefenhirnstimulation6 erfordern beide ein genaues Verständnis der Symptomschwankungen bei Patienten mit Parkinson. Darüber hinaus ist eine objektive Charakterisierung nichtmotorischer Manifestationen der Parkinson-Krankheit wie Schlafstörungen, gastrointestinale Symptome und psychiatrische Symptome erforderlich, um den langfristigen Krankheitsverlauf zu verstehen3.

Die Charakterisierung motorischer und nichtmotorischer Parkinson-Symptome stützte sich traditionell auf die Unified Parkinson's Disease Rating Scale (UPDRS), ein Bewertungssystem für den PD-Schweregrad mit vier Teilen in Bezug auf (I) Mentation, Verhalten und Stimmung, (II) Aktivitäten des täglichen Lebens, ( III) Motorische und (IV) Komplikationen7. Das UPDRS wurde schließlich von der Movement Disorder Society (MDS) aktualisiert und das MDS-UPDRS geschaffen, um die Subjektivität in der Skala zu reduzieren8. Ärzte verwenden auch andere Bewertungssysteme wie die WHIGET Tremor Rating Scale für Aktionstremor9 und die modifizierte Bradykinesie-Bewertungsskala (MRBS) für Bradykinesie10. Diese Bewertungssysteme weisen jedoch zwei Hauptmängel auf. Erstens mangelt es ihnen an Granularität während Krankheits- oder Medikamentenzyklen, da sie nur eine Momentaufnahme der Symptome eines Patienten liefern, wie sie bei Besuchen in der Klinik beobachtet werden. Darüber hinaus müssen sich Ärzte bei der Beurteilung der PD-Symptome außerhalb der Klinik auf Patiententagebücher oder Patientenrückrufe verlassen, die ungenau sein können2. Zweitens sind diese Bewertungssysteme von Natur aus subjektiv, was zu einer hohen Variabilität zwischen und innerhalb der Bewerter führt3.

Die Behebung dieser Mängel ist von entscheidender Bedeutung, um eine ordnungsgemäße Diagnose und Behandlung von Parkinson-Patienten sicherzustellen. Zu diesem Zweck wurden erhebliche Anstrengungen unternommen, um objektive, automatisierte Methoden für den Heimgebrauch zu entwickeln, um die wichtigsten motorischen Symptome zu überwachen, die für die Parkinson-Krankheit charakteristisch sind. Der Einsatz von Bewegungssensoren und in manchen Fällen auch videobasierten Technologien kann es Ärzten zunächst ermöglichen, datengesteuerte Ansätze für die PD-Diagnose zu verfolgen. Die Hinzufügung der Patientenüberwachung zu Hause über intelligente Geräte (z. B. Smartphones, Uhren) könnte es Ärzten dann ermöglichen, Behandlungspläne basierend auf Patientenaktivitätsdaten anzupassen. Das Endziel dieser Technologien besteht darin, eine kontinuierliche Überwachung zu Hause zu erreichen, was eine kontinuierliche Forschung unter Verwendung von Daten aus kontinuierlichen Studien zu Hause erfordert, anstatt Labordaten zur Entwicklung von Lösungen für zu Hause zu verwenden. Ziel dieser Übersicht ist es, die gemeinsame Entwicklung der Technologien und Rechenmethoden zusammenzufassen, die zur Beurteilung und Überwachung häufiger motorischer Symptome der Parkinson-Krankheit wie Tremor, Gangstörungen, Bradykinesie und Dyskinesie eingesetzt werden.

Die zur Diagnose und Überwachung der Parkinson-Krankheit eingesetzte Technologie hat sich im Laufe der Zeit erheblich weiterentwickelt (Abb. 1A). Vor allem hat sich diese Technologie vom Labor zu häuslichen/alltäglichen Umgebungen weiterentwickelt und ermöglicht eine robustere Datenerfassung im Zusammenhang mit Parkinson-Symptomen. In diesem Abschnitt werden dieser Fortschritt sowie der Zweck und die Vorteile verschiedener Technologien beschrieben.

A In den 1970er Jahren wurden hauptsächlich laborbasierte Technologien wie EMG- und Potentiometermessungen eingesetzt. Die Einführung laborbasierter Beschleunigungsmesser begann in den späten 1980er-Jahren und dauerte bis Anfang der 2000er-Jahre, als kleinere Geräte wie Tablets und tragbare Beschleunigungsmesser zum Einsatz kamen. Seit Ende der 2010er Jahre wurden vor allem intelligente Geräte und Apps auf diesen Geräten zur Symptomüberwachung eingesetzt. Im Laufe der Zeit hat die Weiterentwicklung der Technologie eine umfassendere und kontinuierlichere Datenerfassung ermöglicht. B Seit den 1970er Jahren haben rechnerische und statistische Techniken wie Frequenzbereichsanalysen von Beschleunigungsmesserdaten es Forschern und Klinikern ermöglicht, die Schwere der Symptome bei Patienten mit Parkinson-Krankheit zu quantifizieren. Verbesserungen bei den Technologien zur Überwachung von Symptomen haben eine verstärkte Datenerfassung ermöglicht und damit die zunehmende Einführung maschineller Lerntechniken ermöglicht. Zur Analyse der Symptomdaten wurden zunächst überwachte Techniken angewendet, gefolgt von unbeaufsichtigten Techniken.

Laborbasierte Technologien zur Beurteilung der Parkinson-Symptome hatten zwei Hauptzwecke: (1) Entwicklung von Methoden zur Diagnose der Parkinson-Krankheit/Kategorisierung des Schweregrads (z. B. Unterscheidung der Parkinson-Krankheit von ähnlichen neurologischen Erkrankungen) und (2) Schaffung der Grundlage für kleinere, tragbarere und benutzerfreundlichere Systeme -freundliche Technologien, die in Zukunft bei der PD-Diagnose und -Überwachung helfen könnten (Tabelle 1).

Laborbasierte Elektromyographietechniken (EMG) gehörten zu den ersten Technologien, die zur Beurteilung der Parkinson-Krankheit eingesetzt wurden. Genauer gesagt sollten die mit diesen Techniken gesammelten Daten in erster Linie dabei helfen, die Parkinson-Krankheit von ähnlichen Erkrankungen zu unterscheiden/diagnostizieren oder den Krankheitsverlauf zu quantifizieren. Im Jahr 1984 stellten Bathien et al. Quantifiziertes Zittern des Kopfes, der Hände und der unteren Extremitäten mit EMG11. Die Gruppe stellte fest, dass die Analyse der Phasenverschiebungen zwischen EMG-Aktivitätsausbrüchen in Agonisten-Antagonisten-Muskeln eine Kategorisierung zwischen dem bei Parkinson beobachteten Tremor und dem Tremor bei Spätdyskinesie ermöglichte und so eine der ersten quantitativen Methoden zur Unterscheidung von Parkinson-Krankheiten von anderen Erkrankungen schuf. EMG im Labor wurde auch zur Quantifizierung und Überwachung von Ganganomalien bei Patienten mit Parkinson eingesetzt. EMG-Daten halfen dabei, zwischen normalem und „Parkinson-Gang“ zu unterscheiden und das Ansprechen auf die Therapie im Zeitverlauf zu quantifizieren12. Ähnliche Studien wurden durchgeführt, um andere Symptome der Parkinson-Krankheit zu beurteilen. 1979 stellten Milner-Brown et al. berichteten, dass das nadelbasierte Hand-EMG abnormale Eigenschaften motorischer Einheiten während der Muskelkontraktion erkannte, die zur Verfolgung des Fortschreitens der Bradykinesie verwendet werden könnten13. Bemerkenswert ist, dass diese EMG-basierten Techniken nicht für die Erstellung erster PD-Diagnosen gedacht waren, sondern vielmehr zur Verfolgung des Fortschreitens einer bereits etablierten Krankheit eingesetzt wurden.

Ab der zweiten Hälfte der 1980er Jahre begannen Forscher, sich von der EMG zu lösen und sich weniger invasiven Methoden zuzuwenden. Die in dieser Zeit entwickelten Technologien versuchten neben der Überwachung/Quantifizierung der Symptome auch, die Parkinson-Krankheit zu diagnostizieren. Die ursprünglich entwickelten Techniken waren sehr unterschiedlich. Einige Gruppen testeten potentiometerbasierte Systeme, die mehrere Symptome gleichzeitig überwachen konnten14 und so eine „aus einer Hand“-Beurteilung beispielsweise darüber ermöglichten, wie Patienten auf eine pharmakologische Therapie reagierten. Beliebt waren auch laserbasierte Technologien. Beuter et al. entwickelten ein Lasersystem, das Handbewegungen messen konnte, um zwischen gesunden Kontrollpersonen und Patienten mit PD15 zu unterscheiden, während Weller et al. entwickelte ein System, um zu verfolgen, wie sich Ganganomalien als Reaktion auf verschiedene Medikamente veränderten16. Obwohl diese Technologien weniger invasiv und tragbarer als EMG waren, war ihr Einsatz oft auf spezielle Laborumgebungen beschränkt (z. B. Bereiche mit Laserschutzausrüstung) und erforderte erhebliches Fachwissen für den Betrieb17. Beschleunigungsmesser und Gyroskope lösten beide Probleme und festigten sie damit als zwei der Haupttechnologien, die die nächste Ära der PD-Überwachung definierten. Der Einsatz von Beschleunigungsmessern und Gyroskopen ermöglichte eine verbesserte Datenerfassung und verbesserte dadurch die Granularität, mit der Forscher Patienten mit Parkinson-Krankheit überwachen und beurteilen konnten. Der frühe Einsatz von Beschleunigungsmessern und Gyroskopen sammelte Labordaten in einer Achse und zielte darauf ab, zwischen PD und anderen Erkrankungen zu unterscheiden. Deuschl et al. verwendeten einen monoaxialen Beschleunigungsmesser, um zu zeigen, dass die Zeitreihenanalyse allein ausreichte, um zwischen PD und essentiellem Tremor zu unterscheiden18. Der Einsatz von dreiachsigen Beschleunigungsmessern und Gyroskopen verbesserte die Klassifizierungsgenauigkeit und ermöglichte robustere Messungen im Labor. Die von Spyers-Ashby et al. verwendeten dreiachsigen Beschleunigungsmesser im Jahr 1999 führten zu einer Klassifizierungsgenauigkeit von mehr als 60 % zwischen Kontrolle, essentiellem Tremor, Multipler Sklerose und PD19. Darüber hinaus haben Rajaraman et al. zeigten, dass die Verwendung einer erhöhten Anzahl dreiachsiger Beschleunigungsmesser an verschiedenen Teilen der Hand, des Unterarms und des Arms die Quantifizierung des Tremors trotz veränderter Handpositionen und -orientierung ermöglichte20. Bahnbrechende Studien der van Hilten-Gruppe zeigten auch, dass die dreiachsige Beschleunigungsmessung bei der Identifizierung und Charakterisierung von Tremor, Bradykinesie und Dyskinesie hilfreich war21,22,23,24.

Der Einsatz tragbarer Beschleunigungsmesser und Gyroskope erstreckte sich auch auf die Quantifizierung anderer PD-Symptome. Daten von dreiachsigen Beschleunigungsmessern und Gyroskopen an verschiedenen Körperteilen (z. B. Handgelenke, Zeigefinger, Rücken) ermöglichten es den Modellen, UPDRS-Werte abzuschätzen und den Schweregrad der Bradykinesie sowohl unter vorgegebenen als auch unter nicht vorgegebenen Bedingungen zu bestimmen25,26,27,28. Salarian et al. untersuchten den Einsatz von dreiachsigen Beschleunigungsmessern und Gyroskopen zusammen mit Trägheitssensoren, um Gangschwierigkeiten aufgrund von Haltungsinstabilität (PIGD-Subscore von UPDRS III) während Drehversuchen zur Gangbeurteilung zu verfolgen, und berichteten, dass Patienten mit Parkinson-Krankheit eine deutlich längere Wendedauer und Verzögerung hatten, bevor sie eine Wende einleiteten29. Ähnliche Ergebnisse wurden von Moore et al. berichtet, die zeigten, dass die Erkennung des Freezing-of-Gait (FoG) auf der Grundlage von Frequenzmerkmalen der Bewegung der unteren Extremitäten stark (Korrelation zwischen den Klassen > 0,7) mit klinischen Beurteilungen durch Spezialisten korreliert30. Der Einsatz von Beschleunigungsmessern zur Identifizierung von FoG wurde auch von vielen anderen Gruppen berichtet31,32,33,34. Mehrere Studien zur Untersuchung des Schweregrads der Dyskinesie verwendeten dreiachsige Beschleunigungsmesser, Gyroskope und/oder Magnetometer an verschiedenen Körperteilen (z. B. Schulter, Handgelenk, Knöchel, Taille) und fanden starke Korrelationen zwischen den von Geräten gemessenen Ausmaßen der Dyskinesie und denen, die von Ärzten beobachtet wurden35, 36,37.

Gleichzeitig wurden im Labor spezielle Methoden zur Quantifizierung und zum besseren Verständnis bestimmter Manifestationen der Parkinson-Krankheit entwickelt. Einzigartig bei Bradykinesie war der Einsatz computerspielbasierter Technologien. Im Jahr 1999 stellten Giovannoni et al. führte den BRAIN TEST als computergestützte Methode zur Überwachung des Fortschreitens der Bradykinesie bei Parkinson ein. Indem die Teilnehmer aufgefordert werden, mit ihren Zeigefingern abwechselnd auf das „S“ und das „;“ zu schlagen. Tasten auf einer Standard-Computertastatur lieferte der GEHIRNTEST eine schnelle und objektive Messung der motorischen Funktion der oberen Gliedmaßen38. Allen et al. baute auf Giovannonis Arbeit auf und entwickelte einen auf Joysticks und Spielzeuglenkrädern basierenden Computertest, der in der Lage war, pathologische Bradykinesie unterschiedlicher Schwere zu unterscheiden39. Espay et al. untersuchten die Wirkung von virtueller Realität (VR) und audiobasiertem Gang-Feedback bei der Identifizierung und Korrektur von Ganganomalien bei Parkinson-Patienten, während diese auf einem vier Meter langen elektronischen GAITRite-Gehweg im Labor gingen. Insgesamt verbesserte sich bei fast 70 % der Patienten die Gehgeschwindigkeit, die Schrittlänge oder beides um mindestens 20 %40. Bachlin et al. entwickelte eine ähnliche korrekturorientierte Plattform, die FoG bei Patienten mit PD erkannte und akustische Hinweise zum Wiederaufnehmen des Gehens lieferte. Das System erkannte FoG-Ereignisse in Echtzeit mit einer Sensitivität von 73 % und einer Spezifität von 82 %41. Visuell gesteuerte FoG-Korrekturplattformen wurden mithilfe von Technologien wie Google Glass42 entwickelt. Schließlich haben Rao et al. berichteten über einen videobasierten Gesichtsverfolgungsalgorithmus, der den Schweregrad der Gesichts- und Halsdyskinesie während einer Sprachaufgabe beurteilte. Die berechneten Schweregrade zeigten eine hohe Korrelation mit den Dyskinesienbewertungen durch Neurologen43.

Unter Nutzung der Daten und Analysen aus Laborstudien begannen die Forscher, Methoden zu entwickeln, um die Parkinson-Krankheit nicht nur außerhalb des Labors zu überwachen, sondern auch zu diagnostizieren. Zu den ersten Studien in diesem Bereich gehörten Arbeiten von van Hilten et al. Dabei trugen die Patienten sechs Tage lang kleine Beschleunigungsmesser und füllten Umfragen zur Lebensqualität aus, was die ersten objektiven Messungen der Dyskinesie ermöglichte44. Die Tremoranalysen wurden weiterhin mit immer tragbareren Beschleunigungsmessern durchgeführt und ermöglichten eine genaue Klassifizierung zwischen Parkinson-Patienten, Patienten mit essentiellem Tremor und Kontrollpersonen, wobei sie allmählich über die Grenzen des Labors hinausgingen45,46. Tsipouras et al. haben gezeigt, dass die Verwendung mehrerer tragbarer Beschleunigungsmesser und Gyroskope eine wirksame Überwachung von Patienten bei der Durchführung von Aktivitäten des täglichen Lebens unter realen, aber simulierten Bedingungen ermöglicht47. Schließlich nutzten Papapetropoulos et al. Beschleunigungsmesser, die in einen Stift eingebettet waren, zusammen mit anderen Sensoren (z. B. einer Berührungsaufzeichnungsplatte). zeigten die Fähigkeit mehrerer kleiner Sensoren, Arten von pathologischem Tremor zu unterscheiden48.

Im letzten Jahrzehnt hat die Überwachung von Parkinson-Symptomen zwei thematische Veränderungen erfahren. Erstens ist die Überwachung aufgrund der Benutzerfreundlichkeit und der weit verbreiteten Verfügbarkeit tragbarerer Beschleunigungsmesser/Gyroskope und Smartphones mit diesen integrierten Geräten immer entfernter und zugänglicher geworden. Zweitens ist die Überwachung durch den Einsatz von Web- und Mobilanwendungen kontinuierlicher geworden. Zusammengenommen machen diese Veränderungen den Weg frei für eine intelligentere, technologiegestützte Beurteilung der Parkinson-Krankheit, wobei sich Diagnoseplattformen derzeit in der Entwicklung befinden (Tabelle 2).

Tragbare Sensoren ebnen den Weg für eine Fernbeurteilung von Parkinson-Symptomen. Yang et al. fanden heraus, dass ein einzelner, kleiner dreiachsiger Beschleunigungsmesser, der an der Gürtelschnalle befestigt ist, die Schätzung mehrerer Gangparameter wie Trittfrequenz, Schrittregelmäßigkeit, Schrittregelmäßigkeit und Schrittsymmetrie in Echtzeit ermöglichte, was eine sofortige Quantifizierung des Gangs ermöglichte49. Klucken et al. berichteten auch über die Verwendung eines kleinen, an der Ferse befestigten Geräts, das eine Klassifizierungsgenauigkeit von 81 % erreichte und zwischen PD-Patienten und gesunden Kontrollpersonen differenzierte50. Kürzlich ermöglichte eine Studie mit Einlegesohlensensoren die Erkennung von Parkinson-bedingten FoG-Episoden mit einer Genauigkeit von 90 %51 und am Handgelenk getragene Beschleunigungsmesser erzielten eine „gute bis starke“ Übereinstimmung mit den klinischen Bewertungen von Ruhetremor und Bradykinesie und ermöglichten zusätzlich die Unterscheidung zwischen behandlungsbedingten Veränderungen bei motorischen Symptomen52. Obwohl einige dieser Studien in Laborumgebungen durchgeführt wurden, deuten die Gesamtergebnisse darauf hin, dass Patienten ähnliche Geräte zu Hause tragen könnten, was eine Beurteilung der Mobilität aus der Ferne ermöglicht. Studien, die speziell die Fähigkeit tragbarer Technologien zur Verfolgung motorischer Symptome zu Hause untersuchen, haben eine hohe Compliance und einen klinischen Nutzen ergeben26,53,54,55,56,57.

Im Jahr 2011 stellten Chen et al. führte MercuryLive ein, ein webbasiertes System, das Daten von tragbaren Sensoren und qualitativen Patientenbefragungen für die Echtzeitüberwachung von Symptomen zu Hause integriert. Insbesondere wurde das System verwendet, um potenzielle Änderungen der Medikamente für Patienten mit späteren Krankheitsstadien zu steuern58. Der Vorteil solcher Systeme gegenüber reinen Sensorplattformen besteht in der Möglichkeit, qualitative Patientendaten nahtloser zu erfassen, sodass Ärzte und Forscher quantitative Sensordaten besser kontextualisieren können. Andere webanwendungsbasierte Systeme, wie das PERFORM-System von Cancela et al. setzte im Jahr 2013 den Einsatz tragbarer Beschleunigungsmesser und Gyroskope fort, erweiterte jedoch die Funktionalitäten der zugehörigen Webanwendung um Fragebögen zur Medikamenteneinhaltung, Ernährungstagebücher und den PDQ-39-Fragebogen59 und erweiterte damit die qualitativen Informationen, die die von tragbaren Geräten gesammelten objektiven Daten ergänzen, weiter.

Die Überwachung zu Hause wurde durch die Einführung von Smartphones und anderen intelligenten Geräten noch praktischer60,61. Im Jahr 2011 zeigte Kostikis die Machbarkeit einer Fernüberwachung des Zitterns mithilfe des integrierten Beschleunigungsmessers und Gyroskops eines Apple iPhone 3 G62. Noch im Jahr 2020 haben van Brummelen et al. testeten sieben Beschleunigungsmesser für Verbraucherprodukte in Smartphones (z. B. iPhone 7) und intelligenten Verbrauchergeräten (z. B. Huawei-Uhren) und stellten fest, dass diese Produkte bei der Beurteilung der Schwere bestimmter PD-Symptome eine vergleichbare Leistung wie Beschleunigungsmesser in Laborqualität erbrachten63. Smart Tablets haben sich auch durch den Einsatz von Spiralzeichnungstests als hilfreich erwiesen, deren Ergebnisse signifikant mit den UPDRS-Ergebnissen und den Ergebnissen anderer Tests, einschließlich des BRAIN-Tests, korrelierten64.

Die weitere Verbreitung intelligenter Geräte erfolgte mit der Einführung benutzerfreundlicher mobiler Anwendungen wie der von der Michael J. Fox Foundation entwickelten Fox Wearable Companion-App. Silva de Lima et al. zeigten, dass die Verwendung der App zusammen mit einem Android-Smartphone und einer Pebble-Smartwatch zu einem hohen Patientenengagement und einer robusten quantitativen und qualitativen Datenerfassung für Ärzte führte, um das Fortschreiten der Parkinson-Krankheit und die Einhaltung von Medikamenten zu überwachen65. Prince et al. Berichten Sie über Erfolge mit einer unabhängig entwickelten iOS-Anwendung66. Die Verwendung von Smartwatches in Verbindung mit solchen mobilen Anwendungen ermöglicht auch eine Cloud-basierte Datenspeicherung, wodurch Forschungs- und Klinikteams das Fortschreiten und den Schweregrad der Symptome effektiver in Echtzeit überwachen können67. Im Jahr 2021 haben Powers et al. entwickelte das System „Motor Fluktuationen Monitor für Parkinson-Krankheit“ (MM4PD), das die kontinuierliche Überwachung einer Apple Watch nutzte, um Ruhetremor und Dyskinesie zu quantifizieren. MM4PD korrelierte stark mit der Beurteilung der Schwere des Tremors, stimmte mit Expertenbewertungen der Dyskinesie überein und entsprach in 94 % der Fälle den Erwartungen des Arztes an die Patienten2. Mehrere andere Gruppen, darunter Keijsers et al., haben Lösungen vorgestellt, mit denen motorische Schwankungen in realen oder simulierten häuslichen Umgebungen mithilfe tragbarer Sensoren68,69,70,71 oder intelligenter Geräte72,73 beurteilt werden können. Diese Art von Lösungen ist besonders wichtig für die PD-Überwachung, da die Beurteilung von Symptomschwankungen Ärzten Einblick in die Medikamentendosierung, den Schweregrad der Erkrankung und sogar Symptomauslöser (z. B. ein Patient hat beim Autofahren stärkeres Zittern als beim Geschirrspülen) geben kann. Die Überwachung von Schwankungen mithilfe intelligenter Geräte kann besonders nützlich sein, da das Gerät neben anderen wichtigen Umweltfaktoren dokumentieren kann, was ein Patient tat, als sich die Symptome verschlimmerten, zu welcher Tageszeit dies geschah und Ärzten so ein ganzheitlicheres Bild der Krankheit eines Patienten liefert. Die im Rahmen der Fluktuationsüberwachung gesammelten Daten könnten auch Aufschluss darüber geben, ob bestimmte Patienten für Verfahren wie die tiefe Hirnstimulation in Frage kommen könnten.

Schließlich wurde in mehreren Studien die Verwendung anderer Technologien als Beschleunigungsmesser und Gyroskope (entweder eigenständig oder in Smartphones) vorgeschlagen. Stattdessen verwendeten einige Studien auf Computer Vision basierende Algorithmen, um Daten von Videokameras, Flugzeitsensoren und anderen Bewegungsgeräten auszuwerten74,75,76. Zukünftig könnten ähnliche Videoanalysetechnologien mit bestehenden Videoplattformen (z. B. Zoom, FaceTime) kombiniert werden, um motorische Beeinträchtigungen auch außerhalb der Klinik regelmäßig und zuverlässig zu überwachen. Es wurden auch umfangreiche Arbeiten durchgeführt, um die Machbarkeit der Verwendung von Sprachaufzeichnungen zur Überwachung und sogar Diagnose der Parkinson-Krankheit zu bewerten. Arora et al. analysierten Sprachaufzeichnungen zu Hause und konnten die UPDRS-Scores der Patienten ermitteln, um mit einer Sensitivität von 96 % und einer Spezifität von 97 %77 zwischen Patienten mit Parkinson-Krankheit und gesunden Kontrollpersonen zu unterscheiden. Viele andere haben über ähnliche Arbeiten zu Sprachdaten von Smartphones berichtet78,79,80, was darauf hindeutet, dass Sprachanalysen bei der Entwicklung von Technologien zur Überwachung und Diagnose der Parkinson-Krankheit von Nutzen sein könnten.

Nicht-ML-Techniken zur Beurteilung der Parkinson-Symptome haben sich in den letzten 30 Jahren erheblich weiterentwickelt (Abb. 1B). Vor der Einführung maschineller Lernalgorithmen verwendeten Forscher eher traditionelle statistische Techniken und Frequenzbereichsanalysetechniken. Dies geschah wahrscheinlich aus zwei Hauptgründen: (1) die erforderliche Rechenleistung für ML war nicht so weit verbreitet und (2) die in frühen Studien gesammelten Datensätze waren im Hinblick auf Größe und Rauschen relativ weniger komplex. Darüber hinaus wurden bestimmte Schlüsseltechniken des maschinellen Lernens (z. B. die auf neuronale Netze angewendete Backpropagation) erst in den späten 1980er und frühen 1990er Jahren populär gemacht, wobei die breitere Akzeptanz viele Jahre später mit dem Aufkommen von Softwarebibliotheken für maschinelles Lernen erfolgte81,82. Eine der ersten Studien stammt aus dem Jahr 1973, in der Albers et al. zeigten, dass sich die Kraftspektren des Parkinson-Handtremors leicht von denen der Kontrollpatienten unterschieden83 (Tabelle 3). Statistische Tests des Frequenzleistungsspektrums zeigten auch eine signifikante Korrelation zwischen ausgewählten Merkmalen wie der Gesamtleistung des Frequenzleistungsspektrums und klinischen Bewertungen für den Schweregrad der Dyskinesie84. Edwards et al. zeigten, dass die Kombination mehrerer Tremormerkmale (z. B. Amplitude, dominante Frequenz) in einem einzigen Index auch PD-Bewegungen von Nicht-PD-Bewegungen unterscheiden kann85. Die weitere Entwicklung von Rechentechniken umfasste die Anwendung fortschrittlicherer Regressionsmodelle auf Daten, die mit verschiedenen Modalitäten (z. B. Beschleunigungsmessern, mechanischen Geräten) gesammelt wurden86,87.

Viele Studien erzielten auch Erfolg durch standardmäßige statistische Hypothesentests wie T-Tests und ANOVAs. Blin et al. verwendeten im Labor ein mit einem Potentiometer verbundenes Schnur- und Flaschenzugsystem, um Daten über die Schrittlänge zu sammeln. Mithilfe eines Mann-Whiteney-U-Tests und einer linearen Regression stellten sie fest, dass die Variabilität der Schrittlänge bei PD-Patienten deutlich ausgeprägter war und mit den klinischen Stadien von Hoehn und Yahr zunahm88. Eine anhand von Fingertippdaten durchgeführte ANOVA (z. B. RMS-Winkelgeschwindigkeit, RMS-Winkelverschiebung) zeigte signifikante Unterschiede zwischen PD- und Kontrollpersonen89.

Um Erkenntnisse über Ganganomalien zu gewinnen, haben Forscher kinematische Analysen in ihre Studien einbezogen. Lewis et al. nutzten ANOVA für kinematische Gangmessungen. fanden heraus, dass Patienten mit Parkinson im Vergleich zu gesunden Kontrollpersonen eine geringere Ganggeschwindigkeit und Schrittlänge, aber eine vergleichbare Trittfrequenz aufwiesen, während sie gleichzeitig eine Verringerung der maximalen Gelenkwinkel in der Sagittalebene und eine Verringerung der Knöchel-Plantarflexion beim Zehenabheben des Gangzyklus aufwiesen90. Diese Gang- und kinematischen Eigenschaften wurden durch eine raumzeitliche Analyse von Sofuwa et al. bestätigt, die zeigten, dass Patienten mit IPS im Vergleich zur Kontrollgruppe eine signifikante Reduzierung von Schrittlänge und Gehgeschwindigkeit aufwiesen, wobei das Hauptmerkmal der PD-Gruppe eine Reduzierung des Knöchels war Plantarflexion91. In jüngerer Zeit haben Nair et al. verwendeten eine standardmäßige logistische Regression auf Schwerpunkten aus k-Means-Clustering von Daten von dreiachsigen Beschleunigungsmessern, um PD zu klassifizieren und Probanden mit einer Genauigkeit von ~95 %, einer Spezifität von ~96 % und einer Sensitivität von ~89 % zu kontrollieren92.

In der neueren Literatur haben sich Techniken des maschinellen Lernens als äußerst effektiv bei der Identifizierung von PD-Symptommerkmalen erwiesen, insbesondere wenn sie auf verschiedene Datensätze angewendet werden, die mit intelligenten Geräten erfasst wurden (Abb. 1B). Die Literatur zeigt eine starke Leistung bei mehreren Techniken des maschinellen Lernens. Sowohl neuronale Netzwerk- als auch nicht-neuronale Netzwerkalgorithmen erzielten hohe Empfindlichkeiten und Spezifitäten bei der Klassifizierung von Parkinson-Symptomen unter Verwendung sowohl roher als auch verarbeiteter Daten. (Tabelle 4) .

Zur Optimierung und Verfeinerung der meisten der hier besprochenen ML-Algorithmen wird noch immer intensiv geforscht, da viele Aspekte des ML-Designs immer noch durch Versuch und Irrtum funktionieren. Dies gilt sowohl für die Bestimmung von Modellparametern (z. B. Lernraten für den Gradientenabstieg, Verunreinigungsgrade in Entscheidungsbäumen) als auch für die Auswahl der Algorithmen selbst (z. B. neuronales Netzwerk versus Entscheidungsbaum)93,94,95,96. In der Realität könnten mehrere unterschiedliche Modelle bei der Ausführung derselben Aufgabe für einen bestimmten Datensatz effektiv sein97,98. Hier präsentieren wir objektive Messungen der Leistung von ML-Modellen und versuchen gleichzeitig, Begründungen für die Designkriterien zu liefern, die Forscher möglicherweise dazu veranlasst haben, einen Algorithmus einem anderen vorzuziehen.

Nicht-neuronale Netzwerk-Algorithmen für maschinelles Lernen haben sich bei der Klassifizierung der Parkinson-Krankheit als wirksam erwiesen, da sie im Vergleich zu neuronalen Netzwerken häufig mehr mechanistische Einblicke/Interpretierbarkeit bieten und im Allgemeinen weniger Trainingsdaten erfordern. Mehrere Studien haben ergeben, dass Entscheidungsbäume bei der Klassifizierung von Parkinson-Patienten im Vergleich zu Kontrollpatienten auf der Grundlage von Beschleunigungsmesser- und Gyroskopdaten äußerst effektiv sind. Unter Verwendung von Daten einer Microsoft Band-Smartwatch haben Rigas et al. verwendeten Entscheidungsbäume, um eine Tremor-Erkennungsgenauigkeit von 94 % mit einer Falsch-Positiv-Rate von 0,01 % zu erreichen99. Aich et al. zeigte, dass ein Entscheidungsbaum, der auf Gangmerkmale wie Schrittzeit und -länge, Schrittzeit und -länge sowie Gehgeschwindigkeit trainiert wurde, Parkinson-Patienten mit einer Genauigkeit von ~88 %, einer Sensitivität von ~93 % und einer Spezifität von ~91 % von gesunden Kontrollpersonen unterschied. , übertrifft k Next Neighbor (KNN), Support Vector Machine (SVM) und Naive-Bayes100. Die Designentscheidungen in diesen Studien begünstigten die Verwendung von Entscheidungsbäumen, da es mehrere quantitative Variablen (z. B. Schrittlänge) mit spezifischen Grenzwerten (z. B. Schrittlänge <1,2 m) gab, die bestimmte Diagnosen beeinflussten. Entscheidungsbäume ermöglichten es den Forschern auch, quantitativ zu bestimmen, welche Merkmale (z. B. Tremorhäufigkeit) aus den Daten für die endgültige Klassifizierung am wichtigsten waren, wodurch die Verbindung zwischen Datenanalyse und Krankheitsverständnis verbessert wurde.

Entscheidungsbäume können zwar effektiv sein, sie können jedoch auch zu einer Überanpassung an Trainingsdaten führen, wodurch ihre Generalisierbarkeit eingeschränkt wird. Daher haben viele Gruppen Erfolg mit der Verwendung von Bagged Decision Trees erzielt, einer Technik, die mehrere Bäume anhand von Teilmengen der Trainingsdaten trainiert und dann die Endergebnisse aggregiert. Eingepackte Entscheidungsbäume können besonders nützlich sein, um eine Überanpassung zu verringern, die aus der Analyse relativ kleiner Datensätze resultieren kann. Kostikis et al. verwendeten Daten von 25 Patienten mit IPS und 20 Gesundheitskontrollen und stellten fest, dass gebündelte Entscheidungsbäume zu Tremormerkmalen zu einer AUC von 0,94 führten, höher als jeder andere von ihnen getestete Algorithmus (z. B. logistische Regression, SVM, AdaBoost)101. In einer Studie mit 20 Parkinson-Patienten zeigten eingesackte Bäume eine Genauigkeit zwischen 95 und 98 % bei der Klassifizierung von Patienten gemäß dem MDS-UPDRS 0,1,2-Schema, wenn Tremordaten von Bewegungssensoren anstelle von Beschleunigungsmessern oder Gyroskopen verwendet wurden102.

Die Ergebnisse waren weiterhin gut mit einer Variante von Entscheidungsbäumen in Säcken, die als Random Forests (RF) bekannt sind und bei der Verbesserung der Genauigkeit und der weiteren Reduzierung von Überanpassungen hilfreich sein können, allerdings mit längeren Trainingszeiten. Bei der Klassifizierung zwischen progressiver supranukleärer Parese und Parkinson schnitt die RF bei Merkmalen aus der Ganganalyse, Schwankungstests und Zeitauf-und-abwärts-Aufgaben besser ab als die logistische Regression und war auch bei der Schätzung der klinischen Scores von Dyskinesien nützlich103. Gleichzeitig hatten Forscher Erfolg mit einer anderen Variante von Entscheidungsbäumen, den so genannten Boosted Trees, wobei die Gradientenbaumverstärkung ein neuronales Netzwerk mit Langzeitgedächtnis übertrifft, wenn UPDRS-III-Werte auf der Grundlage von Bewegungssensordaten aus dem Handgelenk und dem Knöchel geschätzt werden104.

Um die Effizienz des Algorithmus weiter zu verbessern und die Rechenkosten zu senken, haben Forscher Techniken zur Merkmalsauswahl in Kombination mit etablierten Algorithmen für maschinelles Lernen genutzt. Die Merkmalsauswahl ist besonders wichtig bei der Gestaltung von Studien, die mehrere ML-Algorithmen bewerten, um die Top-Performer zu identifizieren oder Algorithmen auf verschiedenen Datensätzen zu trainieren105,106. Die Funktionsauswahl wird häufig auch als Werkzeug zur Verbesserung der Algorithmusleistung verwendet. In Verbindung mit Merkmalsauswahltechniken wie der rekursiven Merkmalseliminierung erreichte RF eine Klassifizierungsgenauigkeit von 96 % bei der Einstufung von Ganganomalien von PD-Patienten unter und ohne Medikamente71. Eine andere Art der SVM-basierten Merkmalsauswahl war nützlich, um eine hohe HF-Leistung bei der Klassifizierung von Parkinson-Patienten im Vergleich zu Nicht-PD-Patienten zu erreichen, was zu einer Genauigkeit von 97 %, einer Sensitivität von 100 % und einer Spezifität von 94 % führte. Im Allgemeinen haben sich viele verschiedene Techniken zur Merkmalsauswahl bei mehreren ML-Algorithmen als nützlich erwiesen32,106,107,108. Es hat sich gezeigt, dass SVMs vor dem Modelltraining mit und ohne Funktionsauswahl eine gute Leistung erbringen32,106.

Die Merkmalsanalyse endet jedoch nicht mit der Merkmalsauswahl. Insbesondere Post-hoc-Berechnungen der Merkmalsbedeutung können hilfreich sein, um besser zu verstehen, warum bestimmte Modelle so funktionieren, wie sie es tun, und so mehr Einblick in die klinischen Anwendungen des Modells zu gewinnen. Rehman et al. erstellten mehrere partielle Least-Diskriminanz-Analysemodelle unter Verwendung von Teilmengen von Gangmerkmalen, die bei Patienten mit IPS und gesunden Kontrollpersonen gemessen wurden, und nutzten Merkmalswichtigkeitsmetriken, um festzustellen, dass unter anderem Schrittgeschwindigkeit, Schrittlänge und Gangregelmäßigkeit die einflussreichsten Merkmale im Modell waren . Diese Art der Analyse ist besonders vorteilhaft, da sie die klinische Entscheidungsfindung unabhängig von der Verwendung von Modellen des maschinellen Lernens verbessern kann, indem sie Ärzten differenziertere Anzeichen/Symptome einer frühen Krankheitsmanifestation oder eines Krankheitsverlaufs liefert109. Ähnliche Analysen zu Ganganomalien wurden von Mirelman et al. durchgeführt, die Patienten basierend auf ihrem Fortschreiten der PD-Erkrankung stratifizierten und herausfanden, dass unterschiedliche Merkmale bei der Unterscheidung zwischen verschiedenen Stadien der PD110 wichtiger waren. Mit fortschreitender Parkinson-Krankheit wurden beispielsweise Merkmale im Zusammenhang mit anspruchsvolleren Aktivitäten wie Drehen wichtiger für die Patientenklassifizierung, Mirelman et al. fanden heraus, dass dieser Bedeutungszuwachs in früheren Krankheitsstadien auftrat, als man normalerweise erwarten würde. Ähnliche Analysen wurden von weiteren Gruppen gemeldet, die den Gang und sogar andere Symptome von PD untersuchten104,111,112.

Während die Wahl des zu verwendenden ML-Algorithmus teilweise durch die Art der Daten, den Umfang der Studie usw. beeinflusst werden kann, haben einige Arbeiten gezeigt, dass die Genauigkeit eines maschinellen Lernmodells von der Art des zu bewertenden Zitterns abhängt, was weiter hervorgehoben wird der inhärente Versuch-und-Irrtum-Charakter des ML-Studiendesigns. Jeon et al. fanden heraus, dass Entscheidungsbäume bei der Klassifizierung von Patienten anhand des Ruhetremors mit mentalem Stress und Intentionstremor am genauesten waren, die Klassifizierung des Ruhetremors allein mit polynomialem SVM am genauesten war und die Klassifizierung des Haltungstremors mit (KNN) am genauesten war113. Ebenso haben mehrere Gruppen herausgefunden, dass KNNs, die Zeit- und Frequenzbereichsdaten verwenden, bei der Parkinson-Klassifizierung im Vergleich zur Kontrollklassifizierung80,112,114 unter Verwendung von Tremordaten hochwirksam sind. Schließlich haben Butt et al. und Bazgir et al. Im Jahr 2018 stellten beide fest, dass Naïve Bayes andere getestete Algorithmen bei der Klassifizierung des Parkinson-Tremors anhand von Bewegungs- bzw. Beschleunigungsmesser-/Gyroskopdaten übertraf115,116.

Für die PD-Klassifizierung wurden einige unbeaufsichtigte Lernalgorithmen entwickelt. Unüberwachtes Lernen kann nützlich sein, wenn Studien mit großen Datensätzen entworfen werden, deren manuelle Beschriftung möglicherweise zu umständlich ist – eine Voraussetzung für das Training überwachter ML-Modelle. Unüberwachtes Lernen ist auch bei explorativen Analysen von Vorteil, um Struktur und neue Erkenntnisse aus großen und vielfältigen Datensätzen zu gewinnen. Zhan et al. entwickelte einen neuartigen „Disease Severity Score Learning“-Algorithmus, der einen „mobile Parkinson Disease Score“ (mPDS) basierend auf 435 Merkmalen aus Gang-, Fingertipp- und Stimmtests berechnete, die mit Smartphones durchgeführt wurden. Die mPDS-Ergebnisse korrelierten stark mit MDS-UPDRS Teil III, MDS-UPDRS insgesamt und den Hoen- und Yahr-Stadien. Diese Arbeit stellt fortlaufende Bemühungen dar, objektivere Messungen des Fortschreitens der Parkinson-Krankheit zu erstellen, die nicht durch die Interrater-Variabilität beeinflusst werden72.

Die Entwicklung künstlicher neuronaler Netze zur Untersuchung großer Datensätze wurde kürzlich für die Klassifizierung von Parkinson-Symptomen genutzt. Neuronale Netze haben mehrere Anwendungsfälle, werden jedoch am häufigsten bei großen Datensätzen eingesetzt, deren Merkmale mithilfe komplexer, nichtlinearer Beziehungen für Klassifizierungs- oder Regressionsaufgaben kombiniert werden müssen. Daher erfordern neuronale Netze im Vergleich zu anderen ML-Algorithmen typischerweise mehr Daten zum Trainieren und sind daher rechenintensiver. Obwohl neuronale Netze leistungsstarke Werkzeuge sein können, sind sie im Vergleich zu anderen ML-Algorithmen tendenziell eher „Black Box“ und mangelhaft an Interpretierbarkeit52,117,118. Dennoch gehören neuronale Netze zu den heute am häufigsten verwendeten ML-Algorithmen und haben bei der Diagnose und Überwachung der Parkinson-Krankheit eine starke Leistung erzielt.

Moon et al. verwendeten 48 Merkmale über Gang und Haltungsschwankung, die von sechs Trägheitsmesseinheiten (IMUs) über den Rücken, die oberen Extremitäten und die unteren Extremitäten der Patienten gesammelt wurden, um zwischen PD und essentiellem Tremor zu unterscheiden. Nach dem Testen mehrerer Algorithmen für maschinelles Lernen (z. B. SVM, KNN, neuronales Netzwerk, logistische Regression) stellten die Autoren fest, dass ein neuronales Netzwerk mit einer Lernrate von 0,001 die höchste Genauigkeit (0,89), Präzision (0,61) und den höchsten F1-Score aufwies (0,61)119. Die Arbeit von Moon et al. ist ein gutes Beispiel für den Entwurfsprozess, der oft beim maschinellen Lernen verwendet wird, indem mehrere Algorithmen getestet werden, bevor ein Algorithmus mit bestimmten Hyperparametern (z. B. Lernrate, Anzahl verborgener Schichten) ausgewählt wird, die normalerweise ebenfalls ausgewählt werden mit Versuch und Irrtum120,121. Veeraragavan et al. verwendeten ebenfalls neuronale Netze, versuchten jedoch zwei unterschiedliche Aufgaben: die Klassifizierung zwischen Parkinson-Patienten und gesunden Patienten anhand des Gangs und die Klassifizierung von Parkinson-Patienten in die klinischen Stadien Hoehn und Yahr. Die Klassifizierung von Parkinson gegenüber gesunden Kontrollpersonen wurde mit einer Genauigkeit von 97 % unter Verwendung eines einzelnen Hidden-Layer-Netzwerks mit 25 Knoten erreicht, während die Klassifizierung in Hoehn- und Yahr-Stadien mit einer Genauigkeit von 87 % unter Verwendung eines einzelnen Hidden-Layer-Netzwerks mit 13 Knoten erreicht wurde122. Diese Ergebnisse legen nahe, dass neuronale Netze vielversprechende Kandidaten für die Klassifizierung und Einstufung von Krankheiten sind.

Frühe Versuche, maschinelles Lernen auf PD-Tremor-Daten anzuwenden, verwendeten Perzeptron-Klassifikatoren mit einer verborgenen Schicht von 30 statistischen Merkmalen höherer Ordnung von Tremor-Beschleunigungsmesser-Daten als Eingaben zur Unterscheidung zwischen Parkinson-Tremor, essentiellem und physiologischem Tremor123. Solche Bemühungen kombinierten im Wesentlichen eine ausgefeilte Merkmalsextraktion mit einer relativ einfachen Algorithmusarchitektur für Klassifizierungsaufgaben. Andere Ansätze, wie das von Roy et al. verwendete dynamische neuronale Netzwerk, zielten darauf ab, Tremor anhand von Spektrumsdaten aus EMG- und Beschleunigungsmessermessungen als „leicht“, „mittel“ oder „schwer“ (basierend auf UPDRS) zu klassifizieren. Durch die Nutzung von Eingabefunktionen, die eine minimale Vorverarbeitung erforderten, wie z. B. die Signalenergie des Beschleunigungsmessers nach der Tiefpassfilterung, haben Roy et al. erreichte globale Klassifizierungsfehlerraten von weniger als 10 %124. Andere haben über Erfolge mit neuronalen Netzen berichtet, die auf ähnliche Funktionen trainiert wurden und nur wenig Vorverarbeitung erfordern125,126. Auch Änderungen an klassischen neuronalen Netzen haben sich bewährt. Oung et al. zeigten, dass extrem lernende Maschinen – neuronale Netze, die Gewichte ohne Backpropagation lernen – eine Klassifizierungsgenauigkeit von 91 % erreichten, wenn Tremor- und Sprachdaten als Eingaben für das Netzwerk verwendet wurden127.

Aufgrund ihrer Fähigkeit, Bilddaten direkt zu analysieren, spielen Convolutional Neural Networks (CNNs) in letzter Zeit eine große Rolle bei der Klassifizierung der Parkinson-Krankheit. In vielen Fällen reduziert dies den Umfang der erforderlichen Merkmalsextraktion. Wenn Forscher beispielsweise ein CNN verwenden, um von Beschleunigungsmessern erfasste Zitterdaten zu analysieren, müssen sie keine Merkmale wie Frequenz, Amplitude usw. extrahieren, da die Eingabe in das CNN einfach eine verarbeitete Version des Beschleunigungsmesserdiagramms selbst sein kann. Im Jahr 2020 haben Shi et al. verwendeten Diagramme von Wavelet-transformierten Daten (Zerlegung der Daten in einen Satz diskreter Schwingungen, sogenannte Wavelets) von dreiachsigen Beschleunigungsmessern, Gyroskopen und Magnetometern als Eingaben in ein CNN, um FoG- und Nicht-FoG-Episoden zu klassifizieren. Insgesamt zeigte das CNN eine Klassifizierungsgenauigkeit von ~89 %, eine Sensitivität von ~82 % und eine Spezifität von ~96 %. Dieselbe Studie ergab, dass CNNs, die rohe Zeitreihendaten oder Fourier-transformierte Daten als Eingaben verwendeten, nicht so gut abschnitten128. Dies zeigt, dass Forscher bei der Verwendung von CNNs Vorverarbeitungstechniken sorgfältig auswählen müssen, da diese Wahl die Leistung des Algorithmus erheblich verändern kann. Die Verwendung von Fourier-transformierten Daten verbesserte jedoch die CNN-basierte Tremorklassifizierung. Kim et al. berichteten im Jahr 2018 von einer Genauigkeit von ~85 % bei der Schätzung der UPDRS-Scores unter Verwendung eines dreischichtigen CNN mit einer letzten Soft-Max-Klassifizierungsschicht. Anstatt spezifische Merkmale aus Beschleunigungsmesserdaten zu extrahieren, um sie als Eingaben für das CNN zu verwenden, haben Kim et al. verwendeten ein gestapeltes 2D-FFT-Bild der dreiachsigen Beschleunigungsmesser- und Gyroskopdaten129.

Forscher haben auch mit verschiedenen CNN-Architekturen und -Strukturen experimentiert. Pereira et al. verglichen CNNs mit ImageNet- oder Cifar10-Architekturen mit einem Optimum-Path-Forest, einer Support-Vektor-Maschine mit radialer Basisfunktion und Näive-Bayes unter Verwendung von Daten aus 4 Zeichnungs- (z. B. Spiralzeichnungs-) und 2 Handgelenkbewegungsaufgaben, um Parkinson-Patienten von Kontrollpatienten zu unterscheiden Tremor. Insgesamt übertrafen die CNNs die anderen Techniken des maschinellen Lernens hinsichtlich der Klassifizierungsgenauigkeit, wenn Daten aus jeder oben genannten Aufgabe separat verwendet wurden (Fall mit Einzelbewertung) und wenn Daten aus jeder Aufgabe kombiniert wurden (Fall mit kombinierter Bewertung)130. Sigcha et al. im Jahr 2020 wollte die Zeitabhängigkeiten von FoG modellieren und verwendete eine neuartige CNN-Struktur, indem es ein klassisches CNN mit einem wiederkehrenden neuronalen Netzwerk mit langem Kurzzeitgedächtnis (LSTM) kombinierte, um FoG- und Nicht-FoG-Episoden zu klassifizieren. Unter Verwendung von Fourier-transformierten Daten einer IMU über die Taille von Patienten als Eingabe erreichte die CNN-LSTM-Kombination eine AUC von 0,939131.

CNNs waren auch über Klassifizierungsaufgaben hinaus nützlich. Im Jahr 2020 haben Ibrahim et al. verwendeten ein CNN mit Perzeptron, um die Amplitude zukünftiger Erschütterungen in Zeitschritten von 10, 20, 50 und 100 Millisekunden abzuschätzen, mit einer Vorhersagegenauigkeit von 90 bis 97 %132. Sowohl traditionelle als auch Faltungs-Neuronale Netze werden wahrscheinlich weiterhin bei der auf maschinellem Lernen basierenden Analyse von Parkinson-Symptomen nützlich sein.

Die Technologie und die Computertechniken zur Überwachung der motorischen Parkinson-Symptome haben sich gleichzeitig weiterentwickelt. Da sich die Technologie verbessert, müssen verschiedene Rechentechniken entwickelt und optimiert werden, um die zunehmenden Datenmengen zu verarbeiten, die von neuen Geräten erfasst werden. Das Gleiche gilt auch umgekehrt. Da in der Computertechnik Fortschritte gemacht werden, die es Forschern ermöglichen, unterschiedliche Fragen zu stellen und zu beantworten, müssen neue Technologien entwickelt werden, die diese neuen Analysen erleichtern können.

Der übergreifende, große Wandel, der in den letzten etwa 50 Jahren in der Technologie zur Diagnose und Überwachung der Parkinson-Krankheit zu beobachten war, war der Übergang von der Laborüberwachung zur Heimüberwachung. Diese technologische Entwicklung ging zweifellos mit einem Wandel der rechnerischen Ansätze einher. Grundsätzlich müssen sich die Techniken zur Analyse der in gut kontrollierten Laborumgebungen gesammelten Daten von denen unterscheiden, die zur Analyse der unter realen Bedingungen gesammelten Daten erforderlich sind. Daher erforderte die Weiterentwicklung der Technologie Rechenmethoden, die (1) Signale besser entrauschen, (2) Vorhersagen bei großen Mengen strukturierter Daten treffen und (3) Vorhersagen bei großen Mengen unstrukturierter Daten machen konnten.

Die Diagnose und Überwachung der Parkinson-Krankheit im Labor erzeugt Daten mit weniger Rauschen im Vergleich zu Daten, die bei der Überwachung in der realen Welt generiert werden. Dies äußert sich auf zwei Arten. Erstens enthält das Datensignal selbst weniger Umgebungsrauschen. Durch die Verwendung hochwertiger Mikrofone oder die Arbeit in schallbehandelten Räumen können Forscher beispielsweise Raumgeräusche kontrollieren, wenn sie Sprachproben von Patienten mit PD aufnehmen133,134. Auf einer anderen Ebene werden die Daten aus den meisten Laborstudien aufgrund der in diesen Studien eingebauten inhärenten Struktur „entrauscht“/vereinfacht. Die Beurteilung von Gangstörungen mithilfe des zeitgesteuerten Up-and-Go-Tests oder die Quantifizierung des Tremors mithilfe von Kreiszeichentests führen zu äußerst konsistenten und einheitlichen Daten, da die Teilnehmer zur Generierung der Daten dieselben Aufgaben auf dieselbe Weise ausgeführt haben. Dies ist in realen Umgebungen nicht der Fall. Als die Technologie die Erfassung realer Daten ermöglichte, wurde die Rauschunterdrückung zu einer der ersten Prioritäten, sowohl durch einfache Filterung77 als auch durch Datenkennzeichnung (z. B. Smartwatch-Kennzeichnung, wenn ein Teilnehmer lief, schwamm oder schlief)135. Abgesehen von der Hinzufügung von Funktionalitäten zum Umgang mit verrauschten Daten waren jedoch grundlegende Rechentechniken wie Frequenzanalysen und statistische Tests immer noch ausreichend.

Die Einführung des maschinellen Lernens ging im Allgemeinen mit der Fähigkeit einher, immer größere Datenmengen zu sammeln, was es Forschern ermöglichte, neue Fragen zu stellen. Das beste Beispiel hierfür ist die Einführung intelligenter Geräte. Zuvor konnten Forscher die Teilnehmer bitten, Beschleunigungsmesser, Gyroskope, Herzfrequenzmesser usw. zu tragen, um verschiedene Arten von Daten zu sammeln. Intelligente Geräte ermöglichten eine Gerätekonsolidierung, verbesserten die Benutzerfreundlichkeit für Patienten und erhöhten damit die Datenmenge, die gesammelt werden konnte. Darüber hinaus erleichterten intelligente Geräte die Erfassung qualitativer Daten. Anstatt sich auf Patiententagebücher oder den Abruf aus dem Gedächtnis zu verlassen, ermöglichte die App-basierte Überwachung auf Telefonen oder Tablets den Patienten, nahtloser qualitative Daten in Bezug auf Medikamenteneinhaltung, Trainingsniveau, Stimmung usw. bereitzustellen.

Mit dem Zugang zu immer größeren Datenmengen und -arten begannen Forscher und Kliniker, Fragen zu stellen, die sich besser für die Analyse mit ML als für Nicht-ML-Techniken eigneten. Diese Fragen lassen sich grob in zwei Kategorien einteilen: (1) Vorhersagen und (2) Klassifizierungen. Bei der Untersuchung der Parkinson-Krankheit waren die Forscher daran interessiert, die Schwere der Symptome und den Krankheitsverlauf vorherzusagen und gleichzeitig Patienten für diagnostische und therapeutische Zwecke zu klassifizieren. ML-Algorithmen waren für diese Aufgabe besonders geeignet, da sie Nichtlinearitäten nutzen und große Datenmengen effizienter verarbeiten können. Mithilfe neuronaler Netze konnten Forscher beispielsweise komplexe, nichtlineare Beziehungen zwischen quantitativen (z. B. Tremorfrequenz) und qualitativen (z. B. Medikamenteneinhaltung) Daten aufdecken, um UPDRS-Scores vorherzusagen, während SVM hochdimensionale (>3 unabhängige Variablen) ermöglichte. Einstufung. Da intelligente Geräte Zugriff auf große Datenmengen ermöglichen, nutzten Forscher Algorithmen wie Random Forest, die Klassifizierungs- und Vorhersageaufgaben parallelisierten und so Datenanalysen effizienter und aufschlussreicher machten.

Es ist klar, dass sich die Rechentechniken und Technologien zur Überwachung der Parkinson-Krankheit im Laufe der Jahre gemeinsam weiterentwickelt haben. Mit fortschreitender Technologie werden neue Rechentechniken erforderlich sein, um die verbesserten Funktionalitäten der Technologien zu nutzen und umgekehrt.

Die Technologie zur Überwachung und Quantifizierung der motorischen Parkinson-Symptome hat in den letzten Jahrzehnten einen rasanten Wandel erfahren. Die frühe Überwachung begann mit laborinternen Geräten wie nadelbasiertem EMG, ging über zur Verwendung von Beschleunigungsmessern/Gyroskopen im Labor, dann zu tragbareren Beschleunigungsmessern/Gyroskopen und schließlich zur Überwachung auf Telefon-, Mobil- und Webanwendungsbasis bei Patienten zu Hause. Der Übergang von der Überwachung im Labor zur Überwachung zu Hause wird es Ärzten ermöglichen, stärker datengesteuerte Entscheidungen im Hinblick auf das Patientenmanagement zu treffen. Ebenso wurden erhebliche Fortschritte beim Einsatz maschinellen Lernens zur Klassifizierung und Überwachung von Parkinson-Patienten erzielt. Unter Verwendung von Daten aus mehreren verschiedenen Quellen (z. B. tragbare Bewegungssensoren, telefonbasierte Beschleunigungsmesser, Videokameras) haben Forscher sowohl auf neuronalen Netzwerken als auch auf nicht-neuronalen Netzwerken basierende Algorithmen für maschinelles Lernen entwickelt, um Parkinson-Patienten nach Tremor, Gang und Bradykinesie zu klassifizieren/kategorisieren und Dyskinesie. Weitere Fortschritte bei diesen Algorithmen werden objektivere und quantitativere Möglichkeiten für Ärzte schaffen, Patienten mit Parkinson zu diagnostizieren und zu behandeln.

Da maschinelles Lernen in der Medizin immer häufiger vorkommt, entwickeln Regulierungsbehörden wie die Food and Drug Administration (FDA) neue Protokolle, um die Sicherheit und Wirksamkeit von ML-basierten Gesundheitstechnologien zu bewerten. Der von der FDA skizzierte Plan zur Verbesserung der Bewertung dieser Technologien umfasst: (1) die Darstellung „guter Praktiken des maschinellen Lernens“, (2) die Festlegung von Richtlinien für die Transparenz von Algorithmen, (3) die Unterstützung der Forschung zur Bewertung und Verbesserung von Algorithmen und (4) die Etablierung Leitlinien zur Erfassung realer Daten für die Erstgenehmigung und die Überwachung nach der Genehmigung136. Wenn dieser Plan in den nächsten Jahren in die Tat umgesetzt wird, werden Studienendpunkte für Krankheiten wahrscheinlich immer noch etablierte klinische Metriken (z. B. UPDRS) sein und nicht neuartige Metriken, die von neuen ML-basierten Geräten generiert werden137,138. Es scheint jedoch eine Zukunft zu geben, in der gerätegenerierte Messwerte traditionelle klinische Messwerte ersetzen oder in Verbindung mit diesen verwendet werden. Im Fall der Parkinson-Überwachung ist die Zulassung des KinesiaU-Geräts und Anbieterportals von Great Lakes NeuroTechnologies zur Überwachung motorischer Parkinson-Symptome durch die FDA ein erster Schritt in diese Richtung139. ML wird zweifellos eine immer größere Rolle in der Medizin spielen, und die Maßnahmen der FDA zur Bewältigung dieses neuen Gesundheitsumfelds sollten von Forschern auf diesem Gebiet sorgfältig überwacht werden.

Die digitale PD-Überwachung hat ein bisher nicht gekanntes Verständnis der Symptome von Patienten ermöglicht. Vor der Einführung tragbarer und intelligenter Geräte in diesem Bereich waren Ärzte blind für die Manifestation motorischer Parkinson-Symptome außerhalb der Klinik (z. B. Zähneputzen, Sport treiben, Autofahren). Die gerätebasierte Überwachung hat auch dazu beigetragen, Lücken zu schließen, die durch manchmal ungenaue oder unvollständige Patiententagebücher entstanden sind. Es gibt jedoch viele Hindernisse für die vollständige klinische Einführung der digitalen Überwachung, darunter die Kosten für digitale Geräte, das Fehlen sicherer und zuverlässiger Pipelines zur Datenübertragung an Ärzte und möglicherweise die technologischen Fähigkeiten von Patienten mit PD140. Diese Hindernisse können überwunden werden durch: (1) öffentlich-private Partnerschaften, die dazu beitragen, die Kosten für digitale Geräte zu senken, die Krankenhaussysteme ihren Patienten zur Verfügung stellen, (2) einen stärkeren Fokus auf die Datenspeicher- und -abrufinfrastruktur und (3) Patienten Ausbildung.

In der Zukunft birgt der Übergang zu einer wirklich kontinuierlichen Parkinson-Symptomüberwachung das größte Potenzial durch die Nutzung benutzerfreundlicher mobiler Anwendungen auf intelligenten Geräten (z. B. Smartphones, Smartwatches), die quantitative und qualitative Daten (z. B. Umfragen zur Lebensqualität) integrieren können Damit Ärzte die Erfahrungen eines Patienten mit Parkinson besser verstehen können. Die Weiterentwicklung dieser Anwendungen sowie die Live-Datenübertragung und -Speicherung in der Cloud werden die Benutzerfreundlichkeit und den Nutzen dieser Technologien verbessern. Die Einbindung von maschinellem Lernen in diese Funktionen kann dann eine objektivere Einstufung/Diagnose von Krankheiten durch Ärzte sowie verbesserte Vorhersagefähigkeiten zur Identifizierung des Krankheitsverlaufs ermöglichen. Es gibt jedoch noch viel zu tun, um bessere Krankheitsbiomarker zu entwickeln, um diese Algorithmen für maschinelles Lernen zu trainieren. Zuverlässige Biomarker müssen die Symptome der Parkinson-Krankheit in allen Patientenpopulationen und Krankheitsstadien genau identifizieren. Diese Biomarker müssen möglicherweise auch in verschiedenen Kontexten unterschiedlich sein (z. B. unterscheidet sich das Zittern beim Autofahren vom Zittern beim Zähneputzen). Die Identifizierung der Nuancen digitaler Biomarker wird von entscheidender Bedeutung sein, um das volle Potenzial von maschinellem Lernen und Hochtechnologie bei der Überwachung von Parkinson-Symptomen auszuschöpfen.

Wir haben die PubMed-Datenbank der US National Library of Medicine (PubMed) abgefragt. Fünf zusammengesetzte Suchbegriffe wurden verwendet, um PubMed nach Veröffentlichungen und klinischen Studien zum Thema maschinelles Lernen und Computer zu durchsuchen: „Parkinson“ + SYMPTOM + (1) maschinelles Lernen, (2) neuronales Netzwerk, (3) Quantifizierung, (4) Analyse und (5). ) Überwachung, bei der „SYMPTOM“ entweder „Tremor“, „Gang“, „Bradykinesie“ oder „Dyskinesie“ war. Diese Abfragen führten zu 10.200 Artikeln. Manuskripte über Technologie zur Überwachung von PD-Symptomen wurden in PubMed mit erweiterten Suchbegriffen identifiziert: ((automatische Erkennung) ODER (Klassifizierung) ODER (Wearables) ODER (digitale Gesundheit) ODER (Sensoren)) UND „Parkinson“ + SYMPTOM. Diese Abfragen führten zu 2600 Artikeln. Studien wurden zunächst dedupliziert und dann ausgeschlossen, wenn sie nicht über Volltextverfügbarkeit verfügten, Daten von Menschen verwendeten oder PD nicht spezifisch auswerteten. Buchkapitel, Rezensionsartikel und „Kurzmitteilungen“ wurden ebenfalls ausgeschlossen. Titel und Abstracts wurden überprüft, bevor eine Teilmenge repräsentativer englischsprachiger Arbeiten weiter bewertet wurde. Diese Arbeiten wurden ausgewählt, da sie die Zeitpläne für maschinelles Lernen und Technologie, die sich aus der Durchsicht der Literatur ergaben, am besten charakterisierten.

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Research Reporting Summary.

Die zur Erstellung der Abbildungen und Tabellen verwendeten Daten sind für Forscher über die National Library of Medicine öffentlich zugänglich. Weitere Anfragen gerne an den entsprechenden Autor.

Liang, T.-W. & Tarsy, D. In Up to Date (Hrsg. Post, TW) (UpToDate, 2021).

Powers, R. et al. Smartwatch-Trägheitssensoren überwachen kontinuierlich reale motorische Schwankungen bei der Parkinson-Krankheit. Wissenschaft. Übers. Med. 13, eabd7865 (2021).

Rovini, E., Maremmani, C. & Cavallo, F. Wie tragbare Sensoren die Diagnose und Behandlung der Parkinson-Krankheit unterstützen können: eine systematische Übersicht. Vorderseite. Neurosci. 11, 555 (2017).

Kovosi, S. & Freeman, M. Pünktliche Verabreichung von Medikamenten gegen die Parkinson-Krankheit. Krankenpflege 41, 66 (2011).

PubMed Google Scholar

Grissinger, M. Verzögerte Verabreichung und kontraindizierte Medikamente stellen hospitalisierte Parkinson-Patienten dar. Risiko. PT 43, 10–39 (2018).

PubMed Google Scholar

Groiss, SJ, Wojtecki, L., Südmeyer, M. & Schnitzler, A. Tiefe Hirnstimulation bei der Parkinson-Krankheit. Dort. Adv. Neurol. Unordnung. 2, 20–28 (2009).

CAS PubMed PubMed Central Google Scholar

Task Force der Movement Disorder Society zu Bewertungsskalen für die Parkinson-Krankheit. Die einheitliche Bewertungsskala für die Parkinson-Krankheit (UPDRS): Status und Empfehlungen. Mov. Unordnung. 18, 738–750 (2003).

Google Scholar

Goetz, CG et al. Von der Movement Disorder Society geförderte Überarbeitung der Unified Parkinson's Disease Rating Scale (MDS-UPDRS): Prozess, Format und klinischer Testplan. Mov. Unordnung. 22, 41–47 (2007).

PubMed Google Scholar

Louis, ED et al. Klinische Korrelate des Aktionstremors bei der Parkinson-Krankheit. Bogen. Neurol. 58, 1630 (2001).

CAS PubMed Google Scholar

Heldman, DA et al. Die modifizierte Bradykinesie-Bewertungsskala für die Parkinson-Krankheit: Zuverlässigkeit und Vergleich mit kinematischen Messungen. Mov. Unordnung. 26, 1859–1863 (2011).

PubMed PubMed Central Google Scholar

Bathien, N., Koutlidis, RM & Rondot, P. EMG-Muster bei abnormalen unwillkürlichen Bewegungen, die durch Neuroleptika hervorgerufen werden. J. Neurol. Neurochirurg. Psychiatrie 47, 1002–1008 (1984).

CAS PubMed PubMed Central Google Scholar

Andrews, CJ Einfluss von Dystonie auf die Reaktion auf eine langfristige L-Dopa-Therapie bei der Parkinson-Krankheit. J. Neurol. Neurochirurg. Psychiatrie 36, 630–636 (1973).

CAS PubMed PubMed Central Google Scholar

Milner-Brown, HS, Fisher, MA & Weiner, WJ Elektrische Eigenschaften motorischer Einheiten bei Parkinsonismus und ein möglicher Zusammenhang mit Bradykinesie. J. Neurol. Neurochirurg. Psychiatrie 42, 35–41 (1979).

CAS PubMed PubMed Central Google Scholar

Hacisalihzade, SS, Albani, C. & Mansour, M. Messung der Parkinson-Symptome mit einem Ortungsgerät. Berechnen. Methoden Prog. Biomed. 27, 257–268 (1988).

CAS Google Scholar

Beuter, A., de Geoffroy, A. & Cordo, P. Die Messung von Tremor mit einfachen Lasersystemen. J. Neurosci. Methoden 53, 47–54 (1994).

CAS PubMed Google Scholar

Weller, C. et al. Definition kleiner Wirksamkeitsunterschiede zwischen Anti-Parkinson-Wirkstoffen mithilfe einer Ganganalyse: ein Vergleich zweier Formulierungen mit kontrollierter Freisetzung von Levodopa/Decarboxylase-Inhibitor. Br. J. Clin. Pharm. 35, 379–385 (1993).

CAS Google Scholar

O'Suilleabhain, PE & Dewey, RB Validierung zur Zitterquantifizierung eines elektromagnetischen Ortungsgeräts. Mov. Unordnung. 16, 265–271 (2001).

PubMed Google Scholar

Deuschl, G., Lauk, M. & Timmer, J. Tremor-Klassifizierung und Tremor-Zeitreihenanalyse. Chaos: Interdisziplinär. J. Nichtlineare Wissenschaft. 5, 48 (1998).

Google Scholar

Spyers-Ashby, JM, Stokes, MJ, Bain, PG & Roberts, SJ Klassifizierung von normalem und pathologischem Zittern mithilfe eines mehrdimensionalen elektromagnetischen Systems. Med. Ing. Physik. 21, 713–723 (1999).

CAS PubMed Google Scholar

Rajaraman, V. et al. Eine neuartige quantitative Methode zur 3D-Messung des Parkinson-Tremors. Klin. Neurophysiol. 111, 338–343 (2000).

CAS PubMed Google Scholar

Hoff, JI, van der Meer, V. & van Hilten, JJ Genauigkeit der objektiven ambulanten Beschleunigungsmessung bei der Erkennung motorischer Komplikationen bei Patienten mit Parkinson-Krankheit. Klin. Neuropharmakol. 27, 53–57 (2004).

CAS PubMed Google Scholar

Dunnewold, RJW et al. Ambulante quantitative Beurteilung der Körperposition, Bradykinesie und Hypokinesie bei der Parkinson-Krankheit. J. Clin. Neurophysiol. 15, 235–242 (1998).

CAS PubMed Google Scholar

Hoff, JI, van den Plas, AA, Wagemans, EA und van Hilten, JJ Akzelerometrische Beurteilung von Levodopa-induzierten Dyskinesien bei der Parkinson-Krankheit. Mov. Störung. 16, 58–61 (2001).

CAS PubMed Google Scholar

Dunnewold, RJW, Jacobi, CE & van Hilten, JJ Quantitative Bewertung der Bradykinesie bei Patienten mit Parkinson-Krankheit. J. Neurosci. Methoden 74, 107–112 (1997).

CAS PubMed Google Scholar

Salarian, A. et al. Quantifizierung von Tremor und Bradykinesie bei der Parkinson-Krankheit mithilfe eines neuartigen ambulanten Überwachungssystems. IEEE Trans. Biomed. Ing. 54, 313–322 (2007).

PubMed Google Scholar

Mera, TO, Heldman, DA, Espay, AJ, Payne, M. & Giuffrida, JP Machbarkeit einer automatisierten motorischen Beurteilung der Parkinson-Krankheit zu Hause. J. Neurosci. Methoden 203, 152–156 (2012).

PubMed Google Scholar

Heldman, DA et al. Automatisierte Bewegungssensor-Quantifizierung des Gangs und der Bradykinesie der unteren Extremitäten. Konf. Proz. IEEE Eng. Med. Biol. Soc. 2012, 1956–1959 (2012).

PubMed Central Google Scholar

Phan, D., Horne, M., Pathirana, PN & Farzanehfar, P. Messung der axialen Steifigkeit und Haltungsinstabilität mithilfe tragbarer Sensoren. Sensoren (Basel) 18, 495 (2018).

Salarian, A. et al. Die Analyse von 180°-Drehungen mithilfe eines Inertialsystems zeigt erste Anzeichen eines Fortschreitens der Parkinson-Krankheit. Konf. Proz. IEEE Eng. Med. Biol. Soc. 2009, 224–227 (2009).

PubMed Central Google Scholar

Moore, ST et al. Autonome Identifizierung des Einfrierens des Gangs bei der Parkinson-Krankheit anhand der segmentalen Beschleunigungsmessung des Unterkörpers. J. Neuroeng. Rehabilitation. 10, 19 (2013).

PubMed PubMed Central Google Scholar

Mancini, M. et al. Messung des Einfrierens des Gangs im täglichen Leben: ein Open-Source-Ansatz mit tragbaren Sensoren. J. Neuroeng. Rehabilitation. 18, 1 (2021).

PubMed PubMed Central Google Scholar

Reches, T. et al. Mithilfe tragbarer Sensoren und maschinellem Lernen wird das Einfrieren des Gangs während eines FOG-Provoking-Tests automatisch erkannt. Sensoren (Basel) 20, 4474 (2020).

Tripoliti, EE et al. Automatische Erkennung des Einfrierens von Gangereignissen bei Patienten mit Parkinson-Krankheit. Berechnen. Methoden Prog. Biomed. 110, 12–26 (2013).

Google Scholar

Zach, H. et al. Identifizieren des Einfrierens des Gangs bei der Parkinson-Krankheit bei Aufgaben, die zum Einfrieren führen, mittels hüftmontierter Beschleunigungsmessung. Parkinsonismus. Relat. Unordnung. 21, 1362–1366 (2015).

PubMed Google Scholar

Manson, A. et al. Ein ambulanter Dyskinesienmonitor. J. Neurol. Neurochirurg. Psychiatrie 68, 196–201 (2000).

CAS PubMed PubMed Central Google Scholar

Pulliam, CL et al. Kontinuierliche Beurteilung der Levodopa-Reaktion bei der Parkinson-Krankheit mithilfe tragbarer Bewegungssensoren. IEEE Trans. Biomed. Ing. 65, 159–164 (2018).

PubMed Google Scholar

Rodríguez-Molinero, A. et al. Abschätzung des Schweregrads der Dyskinesie bei der Parkinson-Krankheit mithilfe eines an der Taille getragenen Sensors: gleichzeitige Validitätsstudie. Wissenschaft. Rep. 9, 13434 (2019).

Giovannoni, G., van Schalkwyk, J., Fritz, V. & Lees, A. Bradykinesie-Akinesie-Inkoordinationstest (HIRNTEST): eine objektive computergestützte Beurteilung der motorischen Funktion der oberen Gliedmaßen. J. Neurol. Neurochirurg. Psychiatrie 67, 624–629 (1999).

CAS PubMed PubMed Central Google Scholar

Allen, DP et al. Über den Einsatz kostengünstiger Computerperipheriegeräte zur Beurteilung motorischer Dysfunktionen bei der Parkinson-Krankheit – Quantifizierung der Bradykinesie mithilfe von Zielverfolgungsaufgaben. IEEE Trans. Neuronales System. Rehabilitations-Ing. 15, 286–294 (2007).

CAS Google Scholar

Espay, AJ et al. Heimtraining mit einem Augmented-Reality-Cueing-Gerät mit geschlossenem Regelkreis zur Verbesserung des Gangs bei Patienten mit Parkinson-Krankheit. J. Rehabil. Res. Entwickler 47, 573 (2010).

PubMed Google Scholar

Bachlin, M. et al. Tragbarer Assistent für Parkinson-Patienten mit dem Symptom „Einfrieren des Ganges“. IEEE Trans. Inf. Technol. Biomed. 14, 436–446 (2010).

PubMed Google Scholar

Lee, A. et al. Kann die Google GlassTM-Technologie das Einfrieren des Gangs bei Parkinson verbessern? Eine Pilot Studie. Behinderte. Rehabilitation. Helfen. Technol. 1–11. https://doi.org/10.1080/17483107.2020.1849433 (2020).

Rao, AS et al. Quantifizierung medikamenteninduzierter Dyskinesien bei Parkinson-Patienten mithilfe standardisierter Videos. In: 2008 30. jährliche internationale Konferenz der IEEE Engineering in Medicine and Biology Society 1769–1772. https://doi.org/10.1109/IEMBS.2008.4649520 (2008).

van Hilten, JJ, Middelkoop, HA, Kerkhof, GA & Roos, RA Ein neuer Ansatz zur Beurteilung der motorischen Aktivität bei der Parkinson-Krankheit. J. Neurol. Neurochirurg. Psychiatrie 54, 976–979 (1991).

PubMed PubMed Central Google Scholar

Burne, JA, Hayes, MW, Fung, VSC, Yiannikas, C. & Boljevac, D. Der Beitrag von Tremorstudien zur Diagnose von Parkinson und essentiellem Tremor: eine statistische Auswertung. J. Clin. Neurosci. 9, 237–242 (2002).

CAS PubMed Google Scholar

Cole, BT, Roy, SH, Luca, CJD & Nawab, SH Dynamische neuronale Netzwerkerkennung von Tremor und Dyskinesie anhand tragbarer Sensordaten. In: Internationale Jahreskonferenz 2010 des IEEE Engineering in Medicine and Biology 6062–6065. https://doi.org/10.1109/IEMBS.2010.5627618 (2010).

Tsipouras, MG et al. Eine automatisierte Methodik für Levodopa-induzierte Dyskinesie: Bewertung basierend auf Gyroskop- und Beschleunigungsmessersignalen. Artif. Intel. Med. 55, 127–135 (2012).

PubMed Google Scholar

Papapetropoulos, S. et al. Objektive Quantifizierung neuromotorischer Symptome bei der Parkinson-Krankheit: Implementierung eines tragbaren, computergestützten Messinstruments. Parkinson Dis. 2010, (2010).

Yang, C.-C., Hsu, Y.-L., Shih, K.-S. & Lu, J.-M. Echtzeit-Erkennung von Gangzyklusparametern mithilfe eines tragbaren Beschleunigungsmesssystems. Sensoren (Basel) 11, 7314–7326 (2011).

Google Scholar

Klucken, J. et al. Eine unvoreingenommene und mobile Ganganalyse erkennt motorische Beeinträchtigungen bei der Parkinson-Krankheit. PLoS ONE 8, e56956 (2013).

Marcante, A. et al. Tragbare Fußdrucksensoren zum Einfrieren der Gangerkennung bei der Parkinson-Krankheit. Sensoren (Basel) 21, 128 (2020).

Mahadevan, N. et al. Entwicklung digitaler Biomarker für Ruhetremor und Bradykinesie mithilfe eines am Handgelenk getragenen Geräts. npj Digital Med. 3, 1–12 (2020).

Google Scholar

Heldman, DA et al. Telemedizinisches Management der Parkinson-Krankheit mithilfe tragbarer Sensoren: Explorative Studie. Digit Biomark. 1, 43–51 (2017).

PubMed PubMed Central Google Scholar

Ferreira, JJ et al. Quantitative häusliche Beurteilung der Parkinson-Symptome: die Machbarkeits- und Benutzerfreundlichkeitsstudie SENSE-PARK. BMC Neurol. 15, 89 (2015).

PubMed PubMed Central Google Scholar

Fisher, JM, Hammerla, NY, Rochester, L., Andras, P. & Walker, RW Am Körper getragene Sensoren bei der Parkinson-Krankheit: Bewertung ihrer Akzeptanz für Patienten. Telemed. J. E Health 22, 63–69 (2016).

PubMed PubMed Central Google Scholar

Evers, LJ et al. Reale Gangleistung als digitaler Biomarker für motorische Schwankungen: die Parkinson@Home-Validierungsstudie. J. Med. Internet Res. 22, e19068 (2020).

Erb, MK et al. mHealth und tragbare Technologie sollen motorische Tagebücher ersetzen, um motorische Schwankungen bei der Parkinson-Krankheit zu verfolgen. npj Digital Med. 3, 1–10 (2020).

Google Scholar

Chen, B. et al. Ein webbasiertes System zur Heimüberwachung von Patienten mit Parkinson-Krankheit mithilfe tragbarer Sensoren. IEEE Trans. Biomed. Ing. 58, 831–836 (2011).

PubMed Google Scholar

Cancela, J., Pastorino, M., Arredondo, MT & Hurtado, O. Ein Telegesundheitssystem zur Fernüberwachung der Parkinson-Krankheit. Der PERFORM-Ansatz. In: 2013 35. Internationale Jahreskonferenz der IEEE Engineering in Medicine and Biology Society (EMBC) 7492–7495. https://doi.org/10.1109/EMBC.2013.6611291 (2013).

Daneault, J.-F., Carignan, B., Codère, C. É., Sadikot, AF & Duval, C. Verwendung eines Smartphones als eigenständige Plattform zur Erkennung und Überwachung von pathologischem Zittern. Vorderseite. Summen. Neurosci. 6, 357 (2013).

Lo, C. et al. Vorhersage motorischer, kognitiver und funktioneller Beeinträchtigungen bei Parkinson. Ann. Klin. Übers. Neurol. 6, 1498–1509 (2019).

PubMed PubMed Central Google Scholar

Kostikis, N., Hristu-Varsakelis, D., Arnaoutoglou, M., Kotsavasiloglou, C. & Baloyiannis, S. Auf dem Weg zur Fernbewertung von Bewegungsstörungen über Smartphones. In: Internationale Jahreskonferenz 2011 der IEEE Engineering in Medicine and Biology Society 5240–5243. https://doi.org/10.1109/IEMBS.2011.6091296 (2011).

van Brummelen, EMJ et al. Die Quantifizierung des Tremors mithilfe der Beschleunigungsmessung von Konsumgütern ist bei Patienten mit essentiellem Tremor und Parkinson-Krankheit möglich: eine Vergleichsstudie. J. Clin. Mov. Unordnung. 7, 4 (2020).

Banaszkiewicz, K., Rudzińska, M., Bukowczan, S., Izworski, A. & Szczudlik, A. Spiralziehzeit als Maß für Bradykinesie. Neurol. Neurochir. Halb. 43, 16–21 (2009).

PubMed Google Scholar

Silva de Lima, AL et al. Machbarkeit eines groß angelegten Einsatzes mehrerer tragbarer Sensoren bei der Parkinson-Krankheit. PLoS ONE 12, e0189161 (2017).

Prince, J., Andreotti, F. & De Vos, M. Multi-Quellen-Ensemble-Lernen zur Fernvorhersage der Parkinson-Krankheit bei Vorhandensein quellenmäßig fehlender Daten. IEEE Trans. Biomed. Ing. 66, 1402–1411 (2018).

PubMed Google Scholar

Daneault, J.-F. et al. Beschleunigungsmesserdaten, die mit einem minimalen Satz tragbarer Sensoren von Personen mit Parkinson-Krankheit gesammelt wurden. Wissenschaftliche Daten 8, 48 (2021).

Keijsers, NLW, Horstink, MWIM & Gielen, SCAM Automatische Beurteilung von Levodopa-induzierten Dyskinesien im täglichen Leben durch neuronale Netze. Mov. Unordnung. 18, 70–80 (2003).

PubMed Google Scholar

Patel, S. et al. Überwachung motorischer Schwankungen bei Patienten mit Parkinson-Krankheit mithilfe tragbarer Sensoren. IEEE Trans. Inf. Technol. Biomed. 13, 864–873 (2009).

PubMed PubMed Central Google Scholar

Ghoraani, B., Hssayeni, MD, Bruack, MM & Jimenez-Shahed, J. Mehrstufige Funktionen zur sensorbasierten Beurteilung motorischer Fluktuationen bei Parkinson-Patienten. IEEE J. Biomed. Gesundheitsinf. 24, 1284–1295 (2020).

Google Scholar

Aich, S. et al. Ein überwachter maschineller Lernansatz zur Erkennung des Ein-/Aus-Zustands bei der Parkinson-Krankheit mithilfe tragbarer Gangsignale. Diagnostik (Basel) 10, 421 (2020).

Zhan, A. et al. Verwendung von Smartphones und maschinellem Lernen zur Quantifizierung der Schwere der Parkinson-Krankheit. JAMA Neurol. 75, 876–880 (2018).

PubMed PubMed Central Google Scholar

Pfister, FMJ et al. Hochauflösende motorische Zustandserkennung bei der Parkinson-Krankheit mithilfe von Faltungs-Neuronalen Netzen. Wissenschaft. Rep. 10, 5860 (2020).

CAS PubMed PubMed Central Google Scholar

Lu, M. et al. Sehbasierte Schätzung der MDS-UPDRS-Gangwerte zur Beurteilung der motorischen Schwere der Parkinson-Krankheit. Med. Bildberechnung. Berechnen. Assist Int. 12263, 637–647 (2020).

Google Scholar

Chen, S.-W. et al. Quantifizierung und Erkennung des Parkinson-Gangs aus monokularer Videobildgebung mittels Kernel-basierter Hauptkomponentenanalyse. Biomed. Ing. Online 10, 99 (2011).

PubMed PubMed Central Google Scholar

Bank, PJM, Marinus, J., Meskers, CGM, de Groot, JH & van Hilten, JJ Optische Handverfolgung: eine neuartige Technik zur Beurteilung der Bradykinesie bei der Parkinson-Krankheit. Mov. Unordnung. Klin. Pr. 4, 875–883 (2017).

Google Scholar

Arora, S. et al. Erkennung und Überwachung der Symptome der Parkinson-Krankheit mithilfe von Smartphones: eine Pilotstudie. Parkinsonismus Relat. Unordnung. 21, 650–653 (2015).

CAS PubMed Google Scholar

Singh, S. & Xu, W. Robuste Erkennung der Parkinson-Krankheit mithilfe gesammelter Smartphone-Sprachdaten: ein telemedizinischer Ansatz. Telemed. J. E Health 26, 327–334 (2020).

PubMed PubMed Central Google Scholar

Rusz, J. et al. Das Smartphone ermöglicht die Erfassung von Sprachstörungen, die mit einem hohen Risiko für die Entwicklung der Parkinson-Krankheit verbunden sind. IEEE Trans. Neuronales System. Rehabilitations-Ing. 26, 1495–1507 (2018).

Google Scholar

Sajal MSR et al. Telemonitoring der Parkinson-Krankheit mittels maschinellem Lernen durch Kombination von Tremor- und Stimmanalyse. Gehirn informieren. 7, 12 (2020).

Collobert, R., Bengio, S. & Marithoz, J. Torch: Eine modulare Softwarebibliothek für maschinelles Lernen (CiteSeerx, 2002).

Rumelhart, DE, Hinton, GE & Williams, RJ Lernen von Darstellungen durch Rückpropagierung von Fehlern. Natur 323, 533–536 (1986).

Google Scholar

Albers, JW, Potvin, AR, Tourtellotte, WW, Pew, RW & Stribley, RF Quantifizierung des Handtremors in der klinisch-neurologischen Untersuchung. IEEE Trans. Biomed. Ing. 20, 27–37 (1973).

CAS PubMed Google Scholar

Burkhard, PR, Shale, H., Langston, JW & Tetrud, JW Quantifizierung von Dyskinesien bei der Parkinson-Krankheit: Validierung einer neuartigen instrumentellen Methode. Mov. Unordnung. 14, 754–763 (1999).

CAS PubMed Google Scholar

Edwards, R. & Beuter, A. Indizes zur Identifizierung von abnormalem Tremor mithilfe von Computer-Tremor-Bewertungssystemen. IEEE Trans. Biomed. Ing. 46, 895–898 (1999).

CAS PubMed Google Scholar

Matsumoto, Y., Fukumoto, I., Okada, K., Hando, S. & Teranishi, M. Analyse von pathologischem Zittern mithilfe des Autoregressionsmodells. Vorderseite. Med. Biol. Ing. 11, 221–235 (2001).

PubMed Google Scholar

Elble, RJ et al. Die Tremoramplitude steht in logarithmischer Beziehung zu 4- und 5-Punkte-Tremor-Bewertungsskalen. Brain 129, 2660–2666 (2006).

PubMed Google Scholar

Blin, O., Ferrandez, AM & Serratrice, G. Quantitative Analyse des Gangs bei Parkinson-Patienten: erhöhte Variabilität der Schrittlänge. J. Neurologische Wissenschaft. 98, 91–97 (1990).

CAS Google Scholar

Kim, J.-W. et al. Quantifizierung der Bradykinesie während klinischer Fingertipps mithilfe eines Gyrosensors bei Patienten mit Parkinson-Krankheit. Med. Biol. Ing. Berechnen. 49, 365–371 (2011).

PubMed Google Scholar

Lewis, GN, Byblow, WD & Walt, SE Schrittlängenregulierung bei der Parkinson-Krankheit: die Verwendung extrinsischer, visueller Hinweise. Gehirn 123, 2077–2090 (2000).

PubMed Google Scholar

Sofuwa, O. et al. Quantitative Ganganalyse bei Parkinson-Krankheit: Vergleich mit einer gesunden Kontrollgruppe. Bogen. Physik. Med. Rehabilitation 86, 1007–1013 (2005).

Google Scholar

Nair, P., Trisno, R., Baghini, MS, Pendharkar, G. & Chung, H. Vorhersage von drogeninduziertem Parkinsonismus im Frühstadium mithilfe von unbeaufsichtigtem und überwachtem maschinellem Lernen. In: 2020 42. Internationale Jahreskonferenz der IEEE Engineering in Medicine Biology Society (EMBC) 776–779. https://doi.org/10.1109/EMBC44109.2020.9175343 (2020).

Chicco, D. Zehn schnelle Tipps für maschinelles Lernen in der Computerbiologie. BioData Min. 10, 35 (2017).

PubMed PubMed Central Google Scholar

Raschka, S. Modellbewertung, Modellauswahl und Algorithmenauswahl beim maschinellen Lernen. Vorabdruck unter https://arxiv.org/abs/1811.12808 (2020).

Ali, S. & Smith, KA Zur Auswahl von Lernalgorithmen für die Klassifizierung. Appl. Soft Comput. 6, 119–138 (2006).

Google Scholar

Kotthoff, L., Gent, IP & Miguel, I. Eine Bewertung des maschinellen Lernens bei der Algorithmenauswahl für Suchprobleme. KI-Komm. 25, 257–270 (2012).

Google Scholar

Lee, I. & Shin, YJ Maschinelles Lernen für Unternehmen: Anwendungen, Algorithmusauswahl und Herausforderungen. Bus. Horiz. 63, 157–170 (2020).

Google Scholar

Awan, SE, Bennamoun, M., Sohel, F., Sanfilippo, FM & Dwivedi, G. Auf maschinellem Lernen basierende Vorhersage von Rückübernahme aufgrund von Herzinsuffizienz oder Tod: Auswirkungen der Wahl des richtigen Modells und der richtigen Metriken. ESC Heart Fail 6, 428–435 (2019).

PubMed PubMed Central Google Scholar

Rigas, G. et al. Tremor-UPDRS-Schätzung in häuslicher Umgebung. In: 2016 38. Internationale Jahreskonferenz der IEEE Engineering in Medicine and Biology Society (EMBC) 3642–3645. https://doi.org/10.1109/EMBC.2016.7591517 (2016).

Aich, S. et al. Entwurf eines auf maschinellem Lernen unterstützten, tragbaren, auf Beschleunigungsmessern basierenden automatisierten Systems zur Untersuchung der Wirkung dopaminerger Medikamente auf die Gangeigenschaften von Parkinson-Patienten. J. Healthc. Ing. 2020, 1823268 (2020).

Kostikis, N., Hristu-Varsakelis, D., Arnaoutoglou, M. & Kotsavasiloglou, C. Ein Smartphone-basiertes Tool zur Beurteilung des Parkinson-Handtremors. IEEE J. Biomed. Gesundheitsinformationen. 19, 1835–1842 (2015).

CAS PubMed Google Scholar

Vivar, G. et al. Kontrast- und Homogenitätsmerkmalsanalyse zur Klassifizierung des Tremorniveaus bei Parkinson-Patienten. Sensoren (Basel) 19, 2072 (2019).

Lee, SI et al. Eine neuartige Methode zur Beurteilung des Schweregrads einer Levodopa-induzierten Dyskinesie mithilfe tragbarer Sensoren. Im Jahr 2015 37. jährliche internationale Konferenz der IEEE Engineering in Medicine and Biology Society (EMBC) 8087–8090. https://doi.org/10.1109/EMBC.2015.7320270 (2015).

Hssayeni, MD, Jimenez-Shahed, J., Burack, MA und Ghoraani, B. Tragbare Sensoren zur Abschätzung der Schwere des Parkinson-Tremors bei freien Körperbewegungen. Sensoren (Basel) 19, 4215 (2019).

Gao, C. et al. Modellbasierte und modellfreie maschinelle Lerntechniken zur diagnostischen Vorhersage und Klassifizierung klinischer Ergebnisse bei der Parkinson-Krankheit. Wissenschaft. Rep. 8, 7129 (2018).

PubMed PubMed Central Google Scholar

Rehman, RZU et al. Auswahl klinisch relevanter Gangmerkmale zur Klassifizierung der Parkinson-Krankheit im Frühstadium: ein umfassender Ansatz des maschinellen Lernens. Wissenschaft. Rep. 9, 17269 (2019).

Martinez-Manzanera, O. et al. Eine Methode zur automatischen und objektiven Bewertung der Bradykinesie mithilfe von Orientierungssensoren und Klassifizierungsalgorithmen. IEEE Trans. Biomed. Ing. 63, 1016–1024 (2016).

CAS PubMed Google Scholar

Channa, A., Ifrim, R.-C., Popescu, D. & Popescu, N. A-WEAR-Armband zur Erkennung von Handtremor und Bradykinesie bei Parkinson-Patienten. Sensoren (Basel) 21, 981 (2021).

Rehman, RZU et al. Akzelerometrie-basierte digitale Gangmerkmale zur Klassifizierung der Parkinson-Krankheit: Was zählt? IEEE Open J. Eng. Med. Biol. 1, 65–73 (2020).

Google Scholar

Mirelman, A. et al. Erkennung sensibler Mobilitätsmerkmale für Parkinson-Stadien durch maschinelles Lernen. Mov. Unordnung. 36, 2144–2155 (2021).

PubMed Google Scholar

Rupprechter, S. et al. Eine klinisch interpretierbare, auf Computer-Vision basierende Methode zur Quantifizierung des Gangs bei der Parkinson-Krankheit. Sensoren (Basel) 21, 5437 (2021).

Google Scholar

de Araújo, ACA et al. Beurteilung des Handruhetremors bei gesunden Patienten und Patienten mit Parkinson-Krankheit: eine explorative Studie zum maschinellen Lernen. Vorderseite. Bioeng. Biotechnologie. 8, 778 (2020).

Jeon, H. et al. Hochpräzise automatische Klassifizierung der Schwere des Parkinson-Tremors mithilfe der Methode des maschinellen Lernens. Physiol. Mess. 38, 1980–1999 (2017).

PubMed Google Scholar

Rios-Urrego, CD et al. Analyse und Bewertung der Handschrift bei Patienten mit Parkinson-Krankheit anhand kinematischer, geometrischer und nichtlinearer Merkmale. Berechnen. Methoden Prog. Biomed. 173, 43–52 (2019).

CAS Google Scholar

Bazgir, O., Habibi, SAH, Palma, L., Pierleoni, P. & Nafees, S. Ein Klassifizierungssystem zur Beurteilung und Heimüberwachung von Tremor bei Patienten mit Parkinson-Krankheit. J. Med. Signale Sen. 8, 65–72 (2018).

PubMed PubMed Central Google Scholar

Butt, AH et al. Objektive und automatische Klassifizierung der Parkinson-Krankheit mit Leap Motion Controller. Biomed. Ing. Online 17, 168 (2018).

Heaton, J., McElwee, S., Fraley, J. & Cannady, J. Wichtige frühstabilisierende Merkmale für tiefe neuronale Netze von TensorFlow. In: 2017 International Joint Conference on Neural Networks (IJCNN) 4618–4624. https://doi.org/10.1109/IJCNN.2017.7966442 (2017).

Ghorbani, A., Abid, A. & Zou, J. Interpretation neuronaler Netze. Proz. AAAI Conf. Artif. Intel. 33, 3681–3688 (2019).

Google Scholar

Moon, S. et al. Klassifizierung der Parkinson-Krankheit und des essentiellen Tremors basierend auf Gleichgewichts- und Gangeigenschaften von tragbaren Bewegungssensoren mithilfe maschineller Lerntechniken: ein datengesteuerter Ansatz. J. Neuroeng. Rehabilitation. 17, 125 (2020).

Balaprakash, P., Salim, M., Uram, TD, Vishwanath, V. & Wild, SM DeepHyper: asynchrone Hyperparametersuche für tiefe neuronale Netze. In: 25. Internationale IEEE-Konferenz für Hochleistungsrechnen (HiPC) 2018 42–51. https://doi.org/10.1109/HiPC.2018.00014 (2018).

Thomas, AJ, Petridis, M., Walters, SD, ​​Gheytassi, SM & Morgan, RE In Engineering Applications of Neural Networks (Hrsg. Boracchi, G., Iliadis, L., Jayne, C. & Likas, A. ) 279–290 (Springer International Publishing, 2017). https://doi.org/10.1007/978-3-319-65172-9_24.

Veeraragavan, S., Gopalai, AA, Gouwanda, D. & Ahmad, SA Parkinson-Krankheitsdiagnose und Schweregradbeurteilung mithilfe von Bodenreaktionskräften und neuronalen Netzen. Vorderseite. Physiol. 11, 587057 (2020).

Jakubowski, J., Kwiatos, K., Chwaleba, A. & Osowski, S. Statistiken höherer Ordnung und neuronales Netzwerk zur Tremorerkennung. IEEE Trans. Biomed. Ing. 49, 152–159 (2002).

PubMed Google Scholar

Roy, SH, Cole, BT, Gilmore, LD, Luca, CJD & Nawab, SH Auflösung von Signalkomplexitäten für die ambulante Überwachung der motorischen Funktion bei der Parkinson-Krankheit. In: Internationale Jahreskonferenz 2011 der IEEE Engineering in Medicine and Biology Society 4832–4835. https://doi.org/10.1109/IEMBS.2011.6091197 (2011).

Memedi, M. et al. Automatische Spiralanalyse zur objektiven Beurteilung motorischer Symptome bei Parkinson. Sensoren (Basel) 15, 23727–23744 (2015).

Google Scholar

Butt, AH et al. Biomechanische Parameterbewertung zur Klassifizierung der Parkinson-Krankheit im klinischen Maßstab. Int. J. Distrib. Sens. Netw. 13, 1550147717707417 (2017).

Google Scholar

Oung, QW, Muthusamy, H., Basah, SN, Lee, H. & Vijean, V. Empirische Wavelet-Transformations-basierte Merkmale zur Klassifizierung der Schwere der Parkinson-Krankheit. J. Med. Syst. 42, 29 (2017).

PubMed Google Scholar

Shi, B. et al. Faltungs-Neuronales Netzwerk zum Einfrieren der Gangerkennung unter Nutzung der kontinuierlichen Wavelet-Transformation auf Daten tragbarer Sensoren der unteren Extremitäten. In: 2020 42. jährliche internationale Konferenz der IEEE Engineering in Medicine Biology Society (EMBC) 5410–5415. https://doi.org/10.1109/EMBC44109.2020.9175687 (2020).

Kim, HB et al. Handgelenksensorbasierte Quantifizierung der Tremorschwere bei der Parkinson-Krankheit mithilfe eines Faltungs-Neuronalen Netzwerks. Berechnen. Biol. Med. 95, 140–146 (2018).

PubMed Google Scholar

Pereira, CR et al. Handschriftliche Dynamikbewertung durch Faltungs-Neuronale Netze: eine Anwendung zur Identifizierung der Parkinson-Krankheit. Artif. Intel. Med. 87, 67–77 (2018).

PubMed Google Scholar

Sigcha, L. et al. Deep-Learning-Ansätze zur Erkennung des Einfrierens des Gangs bei Parkinson-Patienten durch Beschleunigungssensoren am Körper. Sensoren (Basel) 20, 1895 (2020).

Ibrahim, A., Zhou, Y., Jenkins, ME, Trejos, AL & Naish, MD Der Entwurf eines Parkinson-Tremor-Prädiktors und -Schätzers unter Verwendung eines hybriden Faltungs-Mehrschicht-Perzeptron-Neuronalen Netzwerks. In: 2020 42. jährliche internationale Konferenz der IEEE Engineering in Medicine Biology Society (EMBC) 5996–6000. https://doi.org/10.1109/EMBC44109.2020.9176132 (2020).

Wang, EQ et al. Hemisphärenspezifische Auswirkungen der Tiefenhirnstimulation des Nucleus subthalamicus auf die Sprechgeschwindigkeit und die Artikulationsgenauigkeit von Silbenwiederholungen bei der Parkinson-Krankheit. J. Med. Rede Lang. Pathol. 14, 323–334 (2006).

PubMed PubMed Central Google Scholar

Holmes, RJ, Oates, JM, Phyland, DJ & Hughes, AJ Stimmmerkmale im Verlauf der Parkinson-Krankheit. Int J. Lang. Komm. Unordnung. 35, 407–418 (2000).

CAS PubMed Google Scholar

Gatsios, D. et al. Machbarkeit und Nutzen von mhealth für die Fernüberwachung der Parkinson-Krankheit: Zusatzstudie der randomisierten kontrollierten Studie Pd_Manager. JMIR Mhealth Uhealth 8, e16414 (2020).

PubMed PubMed Central Google Scholar

US-amerikanische Lebensmittel- und Arzneimittelbehörde. Aktionsplan für auf künstlicher Intelligenz/maschinellem Lernen (KI/ML) basierende Software als Medizinprodukt (SaMD) (FDA, 2021).

Taylor, NP Die FDA lehnt den Antrag von Verily auf ein am Handgelenk getragenes klinisches Parkinson-Testgerät ab. MedTech Dive https://www.medtechdive.com/news/fda-rejects-verily-filing-for-wrist-worn-parkinsons-clinical-trial-device-google/601724/ (2021).

Heldman, DA Entwicklung eines Algorithmus zur Quantifizierung von Bewegungsstörungen – Klinische Studie. (2017).

NeuroTechnologies, GL Great Lakes NeuroTechnologies veröffentlicht KinesiaU-Anbieterportal, das die Echtzeit-Fernüberwachung von Patienten mit Parkinson-Krankheit ermöglicht. Great Lakes NeuroTechnologies https://www.glneurotech.com/blog/2021/01/08/great-lakes-neurotechnologies-releases-kinesiau-provider-portal-enabling-real-time-remote-monitoring-of-patients-with -Parkinson-Krankheit/ (2021).

Espay, AJ et al. Eine Roadmap für die Implementierung patientenzentrierter digitaler Ergebnismessungen bei der Parkinson-Krankheit, die mithilfe mobiler Gesundheitstechnologien ermittelt wurden. Mov. Unordnung. 34, 657–663 (2019).

PubMed PubMed Central Google Scholar

Deuschl, G., Lauk, M. & Timmer, J. Tremor-Klassifizierung und Tremor-Zeitreihenanalyse. Chaos Woodbury N 5, 48–51 (1995).

Google Scholar

Van Someren, EJW Aktigraphische Überwachung von Bewegungs- und Ruheaktivitätsrhythmen im Alter, bei Alzheimer und Parkinson. IEEE Trans. Rehabilitation. Ing. 5, 394–398 (1997).

PubMed Google Scholar

Sekine, M., Akay, M., Tamura, T., Higashi, Y. & Fujimoto, T. Fraktale Dynamik der Körperbewegung bei Patienten mit Parkinson-Krankheit. J. Neural Eng. 1, 8–15 (2004).

PubMed Google Scholar

Giansanti, D., Macellari, V. & Maccioni, G. Telemonitoring und Telerehabilitation von Patienten mit Parkinson-Krankheit: Bewertung der Gesundheitstechnologie eines neuartigen tragbaren Schrittzählers. Telemed. E-Health 14, 76–83 (2008).

Google Scholar

Mancini, M., Zampieri, C., Carlson-Kuhta, P., Chiari, L. & Horak, FB Vorausschauende Haltungsanpassungen vor Schritteinleitung sind bei unbehandelter Parkinson-Krankheit hypometrisch: ein auf Beschleunigungsmessern basierender Ansatz. EUR. J. Neurol. 16, 1028–1034 (2009).

CAS PubMed PubMed Central Google Scholar

Mancini, M. et al. Rumpfbeschleunigungsmessung zeigt Haltungsinstabilität bei unbehandelter Parkinson-Krankheit. Parkinsonismus Relat. Unordnung. 17, 557–562 (2011).

PubMed PubMed Central Google Scholar

Morris, TR et al. Klinische Bewertung des Gangeinfrierens bei der Parkinson-Krankheit anhand computergenerierter Animationen. Ganghaltung 38, 326–329 (2013).

PubMed Google Scholar

Ginis, P. et al. Machbarkeit und Auswirkungen eines zu Hause per Smartphone bereitgestellten automatisierten Feedback-Trainings für den Gang bei Menschen mit Parkinson-Krankheit: Eine randomisierte kontrollierte Pilotstudie. Parkinsonismus Relat. Unordnung. 22, 28–34 (2016).

PubMed Google Scholar

Cavanaugh, JT et al. Erfassung des Rückgangs der ambulanten Aktivität bei der Parkinson-Krankheit. J. Neurol. Physik. Dort. JNPT 36, 51–57 (2012).

PubMed Google Scholar

Lakshminarayana, R. et al. Verwendung einer Smartphone-basierten Selbstmanagementplattform zur Unterstützung der Medikamenteneinhaltung und der klinischen Beratung bei der Parkinson-Krankheit. NPJ-Park. Dis 3, 2 (2017).

Google Scholar

Isaacson, SH et al. Auswirkung der Verwendung eines tragbaren Geräts auf die klinische Entscheidungsfindung und motorische Symptome bei Patienten mit Parkinson-Krankheit, die mit einem transdermalen Rotigotin-Pflaster beginnen: Eine Pilotstudie. Parkinsonismus Relat. Unordnung. 64, 132–137 (2019).

PubMed Google Scholar

Dominey, T. et al. Einführung des Parkinson-KinetiGraph in die routinemäßige Parkinson-Behandlung: Eine 3-jährige Erfahrung in einem Einzelzentrum. J. Park. Dis 10, 1827–1832 (2020).

Google Scholar

Hadley, AJ, Riley, DE & Heldman, DA Beweise aus der Praxis für eine Smartwatch-basierte App zur motorischen Beurteilung der Parkinson-Krankheit für Patienten, die sich einer Therapie unterziehen. Änderungen. Ziffer. Biomark. 5, 206–215 (2021).

PubMed Google Scholar

Sundgren, M., Andréasson, M., Svenningsson, P., Noori, R.-M. & Johansson, A. Beeinflussen Informationen aus dem Parkinson KinetiGraphTM (PKG) die Behandlungsentscheidungen des Neurologen? – Eine Beobachtungsstudie zur routinemäßigen klinischen Versorgung von Menschen mit Parkinson-Krankheit. J. Pers. Med. 11, 519 (2021).

PubMed PubMed Central Google Scholar

Salarian, A. et al. Gangbeurteilung bei der Parkinson-Krankheit: Auf dem Weg zu einem ambulanten System zur Langzeitüberwachung. IEEE Trans. Biomed. Ing. 51, 1434–1443 (2004).

PubMed Google Scholar

Chien, S.-L. et al. Die Wirksamkeit der quantitativen Ganganalyse durch das GAITRite-System bei der Beurteilung der Parkinson-Bradykinesie. Parkinsonismus Relat. Unordnung. 12, 438–442 (2006).

PubMed Google Scholar

Moore, ST, MacDougall, HG & Ondo, WG Ambulante Überwachung des Gangeinfrierens bei der Parkinson-Krankheit. J. Neurosci. Methoden 167, 340–348 (2008).

PubMed Google Scholar

Giuffrida, JP, Riley, DE, Maddux, BN & Heldman, DA Klinisch einsetzbare KinesiaTM-Technologie zur automatisierten Tremorbeurteilung. Mov. Unordnung. 24, 723–730 (2009).

PubMed Google Scholar

Sant'Anna, A., Salarian, A. & Wickstrom, N. Ein neues Maß für die Bewegungssymmetrie bei frühen Parkinson-Patienten mithilfe der symbolischen Verarbeitung von Trägheitssensordaten. IEEE Trans. Biomed. Ing. 58, 2127–2135 (2011).

PubMed Google Scholar

Palmerini, L., Mellone, S., Rocchi, L. & Chiari, L. Dimensionsreduktion für die quantitative Auswertung eines Smartphone-basierten Timed Up and Go-Tests. Annu. Int. Konf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Int. Konf. 2011, 7179–7182 (2011).

Stamatakis, J. et al. Klinimetrische Score-Vorhersage durch Fingertippen bei der Parkinson-Krankheit mithilfe kostengünstiger Beschleunigungsmesser. Berechnen. Intel. Neurosci. 2013, 717853 (2013).

PubMed PubMed Central Google Scholar

Buchman, AS et al. Zusammenhänge zwischen quantitativen Mobilitätsmessungen, die aus Komponenten konventioneller Mobilitätstests abgeleitet werden, und dem Parkinson-Gang bei älteren Erwachsenen. PLoS ONE 9, e86262 (2014).

PubMed PubMed Central Google Scholar

Keijsers, NLW, Horstink, MWIM & Gielen, SCAM Ambulante motorische Beurteilung bei der Parkinson-Krankheit. Mov. Unordnung. 21, 34–44 (2006).

PubMed Google Scholar

Alam, MN et al. Tremor-Quantifizierung der Parkinson-Krankheit – eine Pilotstudie. im Jahr 2016 IEEE International Conference on Electro Information Technology (EIT) 0755–0759 https://doi.org/10.1109/EIT.2016.7535334 (2016).

Samà, A. et al. Abschätzung des Schweregrads der Bradykinesie bei der Parkinson-Krankheit durch Analyse des Gangs mithilfe eines an der Taille getragenen Sensors. Berechnen. Biol. Med. 84, 114–123 (2017).

PubMed Google Scholar

Steinmetzer, T., Maasch, M., Bönninger, I. & Travieso, CM-Analyse und Klassifizierung motorischer Dysfunktionen beim Armschwung bei der Parkinson-Krankheit. Elektronik 8, 1471 (2019).

Google Scholar

Liu, S. et al. Umfassende Analyse des Ruhetremors basierend auf Beschleunigungssignalen von Patienten mit Parkinson-Krankheit. Technol. Gesundheitsversorgung aus. J. Eur. Soc. Ing. Med. https://doi.org/10.3233/THC-213205 (2021).

Artikel Google Scholar

Referenzen herunterladen

Open-Access-Förderung durch die National Institutes of Health (NIH).

School of Medicine, University of Virginia Health Sciences Center, Charlottesville, VA, 22903, USA

Anirudha S. Chandrabhatla

Abteilung für chirurgische Neurologie, National Institutes of Neurological Disorders and Stroke, National Institutes of Health, Bethesda, MD, 20892, USA

I. Jonathan Pomeraniec

Abteilung für Neurochirurgie, University of Virginia Health Sciences Center, Charlottesville, VA, 22903, USA

I. Jonathan Pomeraniec

Abteilung für Neurochirurgie, University of Maryland Medical System, Baltimore, MD, 21201, USA

Alexander Ksendzovsky

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

IJP und AK haben das Projekt entwickelt. ASC führte die Literatursuche mit Unterstützung von IJP durch und AKASC verfasste das Manuskript mit Unterstützung von IJP und AK. Alle Autoren trugen zum endgültigen Manuskript bei und stimmten dessen Inhalt zu.

Korrespondenz mit I. Jonathan Pomeraniec.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Chandrabhatla, AS, Pomeraniec, IJ & Ksendzovsky, A. Koevolution von maschinellem Lernen und digitalen Technologien zur Verbesserung der Überwachung der motorischen Symptome der Parkinson-Krankheit. npj Ziffer. Med. 5, 32 (2022). https://doi.org/10.1038/s41746-022-00568-y

Zitat herunterladen

Eingegangen: 10. August 2021

Angenommen: 21. Januar 2022

Veröffentlicht: 18. März 2022

DOI: https://doi.org/10.1038/s41746-022-00568-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Berichte (2023)

Nano-Mikro-Buchstaben (2022)