באחרונה עסקאות IEEE על מערכות עצביות והנדסת שיקום במחקר, חוקרים דנים בפיתוח של מערכת אוטומטית המשתמשת באלגוריתמים של למידת מכונה (ML) שיכולה לכמת תסמינים מוטוריים במחלת פרקינסון (PD) ולחזות את התקדמות המחלה.
לימוד: אפיון התקדמות המחלה במחלת פרקינסון מסרטונים של בדיקת הקשה באצבע. קרדיט תמונה: sruilk / Shutterstock.com
מחלת פרקינסון: אבחון וטיפול
עד כה, נותר מחסור בטיפולים מרפאים ל-PD. כתוצאה מכך, הטיפול ב-PD תומך במידה רבה ומכוון להקלה על רעידות, הפרעות במצב הרוח, ברדיקינזיה וחוסר יציבות ביציבה.
רופאים משתמשים לעתים קרובות ב-Movement Disorder Society Unified PD Rating Scale (MDS-UPDRS) כדי למדוד את התקדמות המחלה כ-PD קלה, בינונית או מאוחרת ולהעריך כיצד החולים מגיבים לטיפול. למרות ששיטת הניקוד MDS-UPDRS Part III היא גישה אמינה ורגישה, היא קשורה למגבלות באפיון התסמינים המוטוריים שלה. יתרה מזאת, MDS-UPDRS III מסתמך על פרשנות סובייקטיבית ויש לו רגישות מוגבלת בזיהוי השלבים הפרודרומליים או המוקדמים של PD.
לפיכך, יש צורך במערכת הערכת PD טובה יותר הרגישה לשינויים קטנים בתפקוד המוטורי. גישה זו תאפשר זיהוי שלבים מגוונים של PD ולגבש אסטרטגיות טיפול יעילות לעיכוב התקדמותו.
לאחרונה, חוקרים חקרו את הפוטנציאל של גישה דיגיטלית חדשה המשתמשת באלגוריתמי ML כדי לקבוע סמני תנועה של PD מתוך הקלטות וידאו MDS-UPDRS III. לדוגמה, ניתן לנצל את מבחן הקשה באצבע של MDS-UPDRS III, המשמש להערכת ברדיקינזיה של הגפיים, בגישה הדיגיטלית. במחקר אחד, הערכת חומרת הסימפטומים המוטוריים בסרטוני בדיקת הקשה באמצעות אלגוריתמי ML הביאה לדיוק גבוה יותר באבחון PD ובתחזיות חומרה.
נכון לעכשיו, גישות דיגיטליות זמינות לזיהוי PD מניחות שקיים מערך משותף של מאפיינים קינמטיים על פני חומרת המחלה, אשר משתנה באופן עקבי על סמך חומרתה. עם זאת, הנחה זו עשויה להיות לא תקפה, שכן תסמינים מוטוריים אינם משתנים באופן אחיד עם התקדמות PD.
לגבי המחקר
החוקרים של המחקר הנוכחי שיערו כי התחשבות בתכונות קינמטיות שונות יכולה לזהות בצורה מהימנה יותר PD ולחזות את חומרת הסימפטומים המוטוריים בצורה מדויקת יותר בשלבים שונים של המחלה.
לשם כך נעשה שימוש בנתוני וידאו מ-66 אנשים עם PD ו-24 בקרות בריאות תואמות גיל. כל האבחנות של PD אושרו על ידי מומחה להפרעות תנועה תוך שימוש בקריטריונים האבחוניים של PD Brain Bank בבריטניה. כל משתתפים עם היסטוריה של גידול מוחי, שבץ מוחי או מכשיר מושתל לא נכללו.
הנתונים נאספו ממשתתפים מתאימים בתחילת הדרך ושנה לאחר מכן. הערכות MDS-UPDRS III, שכללו הערכות מוטוריות וקוגניטיביות כאחד, תועדו בווידאו.
לפני רכישת הנתונים, המשתתפים במחקר התבקשו לסגת מכל תרופה אנטי-פרקינסונית בן לילה. אלגוריתמי ML שימשו להערכת תנוחות ידיים וזיהוי תכונות קינמטיות מבוססות וידאו הקשורות לברדיקינזיה.
מודל סיווג רב-מחלקות, מודל סיווג בינארי רגיל וגישת הסיווג הבינארי המדורג שפותח לאחרונה הושוו לצורך ניתוח נתונים. מודל הסיווג הרב-מחלקות משתמש בתכונות עקביות עבור כל רמות החומרה, בעוד שגישת סיווג בינארי רגיל לוקחת בחשבון את האופי הסידורי של ציוני חומרת המחלה. גישת הסיווג הבינארי המדורג החדשנית לוקחת בחשבון תכונות תנועה שונות בהתאם לחומרת המחלה.
מערך הקלטה וסביבה. הנבדקים יושבים מול מצלמת וידאו רגילה ומבצעים את משימת הקשה באצבע. המשימה מוקלטת והסרטון נשמר לעיבוד. ביצוע המשימה מונחה על ידי קלינאי מומחה המעניק ציון קליני.
תוצאות מעקב ידני מסופקות על ידי צינור עיבוד הווידאו שלנו. אנו מחשבים את המרחק הזוויתי בין שני וקטורים שנוצרו על ידי חיבור בסיס היד עם קצה אצבעות המדד והאגודל כפי שהם מקומיים על ידי MediaPipe של גוגל בכל מסגרת וידאו. המרחק הזוויתי עוקב דרך הסרטון כדי להעריך אות תזוזה זוויתית. המאפיינים הקינמטיים הקשורים לברדיקינזיה מחושבים לאחר מכן מהפסגות והעמקים (נקודות ירוקות ואדומות) של אות העקירה הזוויתית.
ממצאי המחקר
בסך הכל נותחו 180 סרטונים, כולל 123 סרטונים מחולי PD ו-44 סרטונים מאנשים בריאים. בהתבסס על חומרת הסימפטומים המוטוריים, 42, 20, 62 ו-56 סרטונים קיבלו ציון אפס, אחד, שניים ושלושה, בהתאמה.
כל משתתף סיפק שני סרטוני מבחן הקשה באצבע, אחד לכל יד. חלק מהמטופלים הפגינו שונות מוגברת בתנועה והפחתה מתקדמת בהשפעת הרצף, שהיא המשרעת במהלך תנועת ההקשה החוזרת.
רוב התכונות הקינמטיות מבוססות הווידאו שונות באופן משמעותי בין הקבוצות; עם זאת, כאשר נותחו ההבדל בין ציוני החומרה, המאפיינים שהיו שונים בין הקבוצות עם הציונים הנמוכים יותר לא היו התכונות השונות בין הקבוצות עם הציונים הגבוהים ביותר. ממצא זה תומך בהשערת המחקר לפיה תכונות קינמטיות הקובעות את חומרת המחלה שונות ככל שהמחלה מתקדמת.
זוהו מספר מאפיינים קינמטיים לא מסורתיים, כגון דעיכת משרעת, מהירות תנועה פתיחה וסגירה, ומדדים הקשורים לשונות תנועה ותזמון שניתן לכמת מסרטונים. בהשוואה לשיטות הקיימות, גישת הסיווג הבינארי המדורג החדש חזתה את חומרת PD והבחינה בין רמות חומרה שונות בדיוק רב יותר.
מסקנות
לניבוי אוטומטי של חומרה מסרטונים יש פוטנציאל לחולל מהפכה בניהול PD. זה יכול לקדם ניטור וכימות של חומרת התסמינים המוטוריים באמצעות ניתוח וידאו בלבד.
גישת הסיווג הבינארי המדורג החדש שנעשה בשימוש במחקר הנוכחי נמצאה יעילה יותר בקביעת חומרת PD; לכן, טכניקה זו יכולה לשפר ביעילות את ניהול PD ואת הערכת יעילות הטיפול. במקום להסתמך על מודל רב-מחלקות יחיד, נראה כי יעיל יותר להשתמש בגישת מידול רב-שלבי או שילוב של מודלים תוך התחשבות במספר תכונות ברמות חומרה שונות.
