Прогнозирование исполнительных функций на основе параметров ходьбы у пациентов с болезнью Паркинсона с использованием машинного обучения

Исследование связи между параметрами ходьбы и исполнительными функциями

Болезнь Паркинсона характеризуется как моторными, так и когнитивными нарушениями. Предыдущие исследования предполагают связь между этими нарушениями, однако прямые эмпирические доказательства ограничены или неоднозначны. В данном исследовании мы изучали связь между параметрами ходьбы и исполнительными функциями у пациентов с болезнью Паркинсона, используя современные методы машинного обучения. Анализируется набор данных из 103 пациентов, выполнявших четыре условия ходьбы с различными уровнями сложности, в зависимости от одиночной задачи ходьбы и дополнительных моторных и когнитивных требований.

Параметры ходьбы количественно оценивались с использованием системы инерциальных измерительных блоков (IMU), расположенной на пояснице пациента. Анализ включал пять методов импутации и четыре регрессионных подхода для прогнозирования исполнительных функций, измеренных с помощью теста Трейл-Мейкинг (TMT).

Методы исследования

Сбор данных

Данные собирались в Департаменте неврологии Университетской клиники Шлезвиг-Гольштейн в Киле, Германия, с 2017 по 2021 год в рамках исследования ComOn. Все пациенты с болезнью Паркинсона были диагностированы по клиническим критериям Общества двигательных расстройств (MDS). Основные причины госпитализации включали ухудшение мобильности или общего состояния, недавние падения или корректировку медикаментов.

Пациенты включались в исследование, если они были старше 50 лет и могли пройти не менее 20 метров с или без вспомогательных средств. Исключались пациенты с тяжелой деменцией или более чем двумя падениями за неделю.

Оценка исполнительных функций

Исполнительные функции оценивались с помощью теста Трейл-Мейкинг (TMT), который состоит из двух частей: TMT-A и TMT-B. TMT-A связан с психомоторной скоростью, тогда как TMT-B требует более сложных когнитивных процессов, таких как когнитивная гибкость и рабочая память. Разница во времени выполнения между TMT-B и TMT-A (Δ-TMT) используется как мера исполнительных функций.

Извлечение и предобработка параметров

Параметры ходьбы извлекались из сырых данных IMU и включали количество шагов, скорость ходьбы, время, время шага, время цикла, время опоры, время маха, асимметрию, вариабельность времени шага (STV), время двойной опоры (DLS) и вариабельность времени двойной опоры (DLSV).

Импутация данных

Для заполнения пропущенных значений использовались следующие методы: K-Nearest Neighbors (KNN), Multiple Imputation by Chained Equations (MICE), Miss Forest (MF) и Multiple Imputation with Denoising Autoencoders (MIDAS).

Отбор параметров

Для удаления ненужных или избыточных параметров и снижения сложности модели использовалась рекурсивная элиминация параметров (RFE).

Регрессионный анализ

Для регрессионного анализа использовались методы машинного обучения, такие как случайный лес (RF), support vector regression (SVR), extreme gradient boosting (XGB) и многослойный перцептрон (MLP). Гиперпараметры моделей оптимизировались с использованием байесовской оптимизации.

Результаты и выводы

Наши результаты показывают, что комбинация MICE с SVR снижает среднюю абсолютную ошибку (MAE) на 4.95% по сравнению с базовым уровнем для наилучшего условия ходьбы (двойная задача с когнитивными требованиями) при использовании только параметров ходьбы. Мы также обнаружили, что параметры ходьбы значительно коррелируют с Δ-TMT только в условиях двойной задачи с когнитивными требованиями.

Важнейшими параметрами ходьбы, предсказывающими исполнительные функции, оказались вариабельность времени шага (STV), вариабельность времени двойной опоры (DLSV) и скорость ходьбы.

Наше исследование подчеркивает сложную связь между моторными способностями и исполнительными функциями у пациентов с болезнью Паркинсона и демонстрирует потенциал методов машинного обучения в изучении механизмов двигательных расстройств.