ציוד לביש ולמידת מכונה מנבאים סיכון לנפילה של חמש שנים בחולי פרקינסון

נתוני חיישנים ממכשירים לבישים שנותחו במשך חמש שנים חושפים הבדלי הליכה ויציבה המנבאים סיכון לנפילה בחולי פרקינסון.

במחקר שפורסם לאחרונה ב Npj רפואה דיגיטליתצוות מחקר מאוניברסיטת אוקספורד חקר כיצד הערכות נתונים קצרות של חיישנים לבישים בשילוב עם מודלים של למידת מכונה יכולים לחזות את הסיכון לנפילה אצל אנשים עם מחלת פרקינסון למשך עד חמש שנים. על ידי ניתוח הליכה ותנודה יציבה, המחקר נועד להציע שיטה אמינה ואובייקטיבית לחזות נפילות ולשפר את הטיפול המונע והתוצאות הקליניות.

רֶקַע

נפילות מהוות דאגה משמעותית במחלת פרקינסון, ומובילות לעיתים קרובות לפציעות, ירידה בניידות וירידה באיכות החיים. מחקרים מראים שלמעלה ממחצית מהאנשים עם מחלת פרקינסון חווים נפילה אחת לפחות, עם סיכונים גדלים עקב שונות בהליכה, חוסר יציבות ביציבה והתקדמות המחלה.

הערכות סיכוני נפילה מסורתיות מסתמכות במידה רבה על שיקול דעת קליני, שיכול להיות סובייקטיבי ולא עקבי. עם זאת, טכנולוגיות חיישנים לבישים מתפתחות מספקות הזדמנות למדוד תנועה בצורה אובייקטיבית יותר, ומציעות תובנות לגבי אי-סדירות בהליכה ובאיזון שקשה לזהות חזותית.

מחקרים קודמים הוכיחו את התועלת של מכשירים לבישים לחיזוי נפילה לטווח קצר, אך רוב המחקרים התמקדו בנתונים רטרוספקטיביים על נפילות או בעלי משך מעקב מוגבל. יתרה מזאת, ההיתכנות של הערכות קצרות ומבוססות מרפאות לניבוי נפילות על פני תקופות ממושכות נותרה בלתי נחקרה, וכתוצאה מכך היעדר פתרונות מעשיים וניתנים להרחבה לניהול פרואקטיבי.

לגבי המחקר

במחקר הנוכחי, החוקרים בחנו 104 אנשים עם מחלת פרקינסון כחלק ממחקר הקוהורט האורכי של אוקספורד בפרקינסוניזם או OxQUIP. המשתתפים גויסו על סמך קריטריונים ספציפיים, כולל מחלת פרקינסון אידיופטית קלה עד בינונית ויכולת ללכת ולעמוד ללא סיוע.

נתוני בסיס נאספו באמצעות חיישנים לבישים במהלך משימת הליכה של שתי דקות ומשימת תנודה יציבה של 30 שניות. כל המשתתפים לבשו שישה חיישני יחידת מדידה אינרציאלית (IMU) שהונחו על פרקי הידיים, כפות הרגליים, עצם החזה ואזור המותני כדי ללכוד נתוני מד תאוצה, גירוסקופ ומגנומטר.

החוקרים קבעו את מצב הנפילה באמצעות ביקורים קליניים ומעקבים לאחר שנתיים וחמש שנים. כדי להבטיח ניתוח חזק, הם דגמו מחדש את רוב הכיתה "לא נופלת" כדי לאזן את מערך הנתונים עבור מודלים של למידת מכונה. חמישה מסווגים – יער אקראי, רגרסיה לוגיסטית, ElasticNet, Support Vector Machine ו-XGBoost – הוכשרו באמצעות טכניקות אימות צולב. מדדי ביצועים נוספים כללו דיוק, דיוק, ריקול וערכי תפעול מאפיין עקומה-שטח מתחת לעקומה (ROC-AUC).

המחקר ערך גם בחירת תכונה כדי לזהות מנבאים קריטיים, תוך התמקדות בשונות בהליכה ובתנודה תנוחתית. ההשפעה של הכללת נתונים קלינקודמוגרפיים כגון גיל, משך המחלה וציונים קליניים בסיסיים הוערכה על ידי בדיקת ארבע קבוצות תכונות.

יתר על כן, החוקרים גם העריכו את יכולת הניבוי של תכונות קינמטיות לבד ובמערכי נתונים משולבים תוך שימוש במודלים שונים והבטיחו שכל הניתוחים אחראים לסטנדרטיזציה של נתונים ונמנעו מהטיות כמו דליפת נתונים.

מטרת המחקר הייתה לפתח הערכות אמינות לטווח קצר לחיזוי נפילה לטווח ארוך במחלת פרקינסון על ידי שילוב טכנולוגיה לבישה עם שיטות סטטיסטיות מתקדמות כדי לשפר את קבלת ההחלטות הקליניות.

ממצאים מרכזיים

הממצאים דיווחו שחיישנים לבישים ומודלים של למידת מכונה חזו ביעילות את הסיכון לנפילה אצל אנשים עם מחלת פרקינסון לאורך זמן. לאחר 24 חודשים, מסווגי למידת המכונה הפגינו ביצועים מצוינים, עם דיוק שנעה בין 84% ל-92% ושטח מתחת לעקומה (AUC) העולה על 0.90.

עבור התחזיות לחמש שנים, מודל ה-Random Forest, ששילב נתונים קליניים-דמוגרפיים, כולל גיל, השיג את הדיוק הגבוה ביותר של 78% עם AUC של 0.85. יתר על כן, החוקרים ציינו כי הוספת נתונים קליניקודמוגרפיים שיפרה באופן שולי את ביצועי הניבוי בהשוואה למאפיינים קינמטיים בלבד.

שונות ההליכה והיציבה זוהו כמנבאים המשמעותיים ביותר של נפילות עתידיות. בנוסף, משתנים עיקריים כללו את השונות של שלבי תמיכה בגפיים בודדות וכפולות, אורך הצעדים והאצת תנודה יציבה. המחקר גם מצא שאופקי חיזוי קצרים יותר הניבו דיוק גבוה יותר של המודל, ובנוסף הדגיש את האתגרים של חיזוי תוצאות על פני תקופות ממושכות עקב שונות בהתקדמות המחלה.

הביצועים של מודלים של למידת מכונה בחיזוי נפילות הושוו לסקלות קליניות, כגון Movement Disorders Society (MDS) Modified Unified Parkinson's Disease Rating Scale (MDS-UPDRS) ושאלון מחלת פרקינסון (PDQ-39).

הממצאים העלו כי הערכות מבוססות חיישנים מספקות דיוק ניבוי גדול יותר. בעוד שנצפתה ירידה מסוימת בדיוק בחיזוי במשך פרקי זמן ארוכים יותר, התוצאות הוכיחו את הפוטנציאל של טכנולוגיה לבישה לשפר את ניהול סיכוני הנפילה במסגרות קליניות.

מסקנות

בסך הכל, המחקר הדגיש את הפוטנציאל של שילוב נתוני חיישנים לבישים עם מודלים של למידת מכונה לניבוי סיכון לנפילה במחלת פרקינסון. הממצאים הדגישו גם את חשיבות ההליכה והשונות התנוחה כגורמים מנבאים והדגימו את היתכנותם של הערכות קצרות טווח המבוססות על מרפאה.

על ידי שיפור הגילוי המוקדם של סיכוני נפילה, שיטות אלו מציעות מסלול להתערבויות ממוקדות, הפחתת שכיחות הנפילות ושיפור איכות החיים של חולי פרקינסון.