Dans une récente Transactions IEEE sur les systèmes neuronaux et l'ingénierie de la réadaptation Dans une étude, des chercheurs discutent du développement d'un système automatisé utilisant des algorithmes d'apprentissage automatique (ML) qui peuvent quantifier les symptômes moteurs de la maladie de Parkinson (MP) et prédire la progression de la maladie.
Étude: Caractérisation de la progression de la maladie de Parkinson à partir de vidéos du test de tapotement des doigts. Crédit photo : sruilk / Shutterstock.com
Sommaire
Maladie de Parkinson : diagnostic et traitement
À ce jour, il n’existe pas de traitement curatif pour la maladie de Parkinson. Par conséquent, la prise en charge de la maladie de Parkinson est essentiellement symptomatique et vise à soulager les tremblements, les troubles de l’humeur, la bradykinésie et l’instabilité posturale.
Les médecins utilisent souvent l'échelle d'évaluation unifiée de la maladie de Parkinson de la Movement Disorder Society (MDS-UPDRS) pour mesurer la progression de la maladie en tant que MP légère, modérée ou tardive et évaluer la réponse des patients au traitement. Bien que la méthode de notation MDS-UPDRS Partie III soit une approche fiable et sensible, elle est associée à des limites dans sa caractérisation des symptômes moteurs. De plus, la MDS-UPDRS III repose sur une interprétation subjective et a une sensibilité limitée pour détecter les stades prodromiques ou précoces de la MP.
Il est donc nécessaire de mettre au point un système d’évaluation de la maladie de Parkinson plus efficace et plus sensible aux petits changements de la fonction motrice. Cette approche permettrait de détecter les différents stades de la maladie et de formuler des stratégies thérapeutiques efficaces pour retarder sa progression.
Récemment, des chercheurs ont étudié le potentiel d’une nouvelle approche numérique qui utilise des algorithmes ML pour déterminer les marqueurs de mouvement de la MP à partir d’enregistrements vidéo MDS-UPDRS III. Par exemple, le test de tapotement des doigts du MDS-UPDRS III, qui est utilisé pour évaluer la bradykinésie des membres, pourrait être exploité dans l’approche numérique. Dans une étude, l’évaluation de la gravité des symptômes moteurs dans des vidéos de test de tapotement des doigts au moyen d’algorithmes ML a permis d’améliorer la précision du diagnostic de la MP et des prévisions de gravité.
Actuellement, les approches numériques disponibles pour détecter la MP supposent qu'un ensemble commun de caractéristiques cinématiques existe à travers la gravité de la maladie, qui fluctue constamment en fonction de la gravité. Cependant, cette hypothèse pourrait ne pas être valable, car les symptômes moteurs ne changent pas uniformément à mesure que la MP progresse.
À propos de l'étude
Les chercheurs de l’étude actuelle ont émis l’hypothèse que la prise en compte de différentes caractéristiques cinématiques pourrait permettre de détecter de manière plus fiable la MP et de prédire avec plus de précision la gravité des symptômes moteurs à différents stades de la maladie.
À cette fin, des données vidéo de 66 personnes atteintes de la maladie de Parkinson et de 24 témoins sains du même âge ont été utilisées. Tous les diagnostics de la maladie de Parkinson ont été confirmés par un spécialiste des troubles du mouvement en utilisant les critères de diagnostic de la banque de cerveaux de la maladie de Parkinson du Royaume-Uni. Tous les participants ayant des antécédents de tumeur cérébrale, d'accident vasculaire cérébral ou d'implant ont été exclus.
Les données ont été recueillies auprès des participants éligibles au début de l'étude et un an plus tard. Les évaluations MDS-UPDRS III, qui comprenaient des évaluations motrices et cognitives, ont été enregistrées sur vidéo.
Avant l'acquisition des données, il a été demandé aux participants à l'étude d'arrêter tout médicament antiparkinsonien pendant la nuit. Des algorithmes ML ont été utilisés pour évaluer les poses des mains et identifier les caractéristiques cinématiques basées sur la vidéo associées à la bradykinésie.
Un modèle de classification multiclasse, un modèle de classification binaire ordinale et la nouvelle approche de classification binaire à plusieurs niveaux ont été comparés pour l'analyse des données. Le modèle de classification multiclasse utilise des caractéristiques cohérentes pour tous les niveaux de gravité, tandis qu'une approche de classification binaire ordinale prend en compte la nature ordinale des scores de gravité de la maladie. La nouvelle approche de classification binaire à plusieurs niveaux prend en compte différentes caractéristiques de mouvement en fonction de la gravité de la maladie.
Configuration et environnement d'enregistrement. Les sujets sont assis devant une caméra vidéo standard et effectuent la tâche de tapotement des doigts. La tâche est enregistrée et la vidéo est stockée pour traitement. L'exécution de la tâche est guidée par un clinicien expert qui fournit un score clinique.
Résultats du suivi des mains fournis par notre pipeline de traitement vidéo. Nous calculons la distance angulaire entre deux vecteurs formés en joignant la base de la main avec la pointe de l'index et du pouce, telle que localisée par MediaPipe de Google dans chaque image vidéo. La distance angulaire est suivie à travers la vidéo pour estimer un signal de déplacement angulaire. Les caractéristiques cinématiques liées à la bradykinésie sont ensuite calculées à partir des pics et des vallées (points verts et rouges) du signal de déplacement angulaire.
Résultats de l'étude
Au total, 180 vidéos, dont 123 vidéos de patients atteints de la maladie de Parkinson et 44 vidéos de personnes en bonne santé, ont été analysées. En fonction de la gravité des symptômes moteurs, 42, 20, 62 et 56 vidéos ont été notées respectivement zéro, un, deux et trois.
Chaque participant a fourni deux vidéos de test de tapotement des doigts, une pour chaque main. Certains patients ont montré une variabilité accrue des mouvements et une réduction progressive de l'effet de séquence, c'est-à-dire de l'amplitude pendant le mouvement de tapotement répétitif.
La plupart des caractéristiques cinématiques basées sur la vidéo diffèrent significativement entre les groupes. Cependant, lorsque la différence entre les scores de gravité a été analysée, les caractéristiques qui différaient entre les groupes ayant les scores les plus faibles n'étaient pas celles qui différaient entre les groupes ayant les scores les plus élevés. Ce résultat appuie l'hypothèse de l'étude selon laquelle les caractéristiques cinématiques qui déterminent la gravité de la maladie diffèrent à mesure que la maladie progresse.
Plusieurs caractéristiques cinématiques non traditionnelles ont été identifiées, telles que la décroissance de l'amplitude, la vitesse des mouvements d'ouverture et de fermeture, ainsi que des mesures liées à la variabilité des mouvements et du timing qui pourraient être quantifiées à partir de vidéos. Par rapport aux méthodes existantes, la nouvelle approche de classification binaire à plusieurs niveaux a permis de prédire la gravité de la MP et de distinguer les différents niveaux de gravité avec une plus grande précision.
Conclusions
La prédiction automatique de la gravité des symptômes à partir de vidéos pourrait révolutionner la gestion de la maladie de Parkinson. Elle pourrait favoriser la surveillance et la quantification de la gravité des symptômes moteurs par la seule analyse vidéo.
La nouvelle approche de classification binaire à plusieurs niveaux utilisée dans l'étude actuelle s'est avérée plus efficace pour déterminer la gravité de la MP. Par conséquent, cette technique pourrait améliorer efficacement la gestion de la MP et l'évaluation de l'efficacité du traitement. Plutôt que de s'appuyer sur un seul modèle multiclasse, il semble plus efficace d'utiliser une approche de modélisation à plusieurs étapes ou une combinaison de modèles prenant en compte plusieurs caractéristiques à différents niveaux de gravité.
