Les données des capteurs des appareils portables analysées sur cinq ans révèlent des différences de marche et de posture qui prédisent le risque de chute chez les patients atteints de la maladie de Parkinson.
Dans une étude récente publiée dans Médecine numérique Npjune équipe de recherche de l'Université d'Oxford a exploré comment de brèves évaluations de données de capteurs portables combinées à des modèles d'apprentissage automatique peuvent prédire le risque de chute chez les personnes atteintes de la maladie de Parkinson pendant cinq ans. En analysant la marche et le balancement postural, la recherche visait à proposer une méthode fiable et objective pour anticiper les chutes et améliorer les soins préventifs et les résultats cliniques.
Sommaire
Arrière-plan
Les chutes sont une préoccupation importante dans la maladie de Parkinson, entraînant souvent des blessures, une mobilité réduite et une qualité de vie diminuée. La recherche montre que plus de la moitié des personnes atteintes de la maladie de Parkinson subissent au moins une chute, avec des risques croissants dus à la variabilité de la démarche, à l'instabilité posturale et à la progression de la maladie.
Les évaluations traditionnelles des risques de chute reposent en grande partie sur le jugement clinique, qui peut être subjectif et incohérent. Cependant, les technologies émergentes de capteurs portables offrent la possibilité de mesurer les mouvements de manière plus objective, offrant ainsi un aperçu des irrégularités de la démarche et de l’équilibre difficiles à détecter visuellement.
Des études antérieures ont démontré l'utilité des appareils portables pour la prévision des chutes à court terme, mais la plupart des études se sont concentrées sur des données rétrospectives sur les chutes ou ont des durées de suivi limitées. De plus, la faisabilité d'évaluations courtes en clinique pour prédire les chutes sur de longues périodes reste inexplorée, ce qui entraîne un manque de solutions pratiques et évolutives pour une gestion proactive.
À propos de l'étude
Dans la présente étude, les chercheurs ont examiné 104 personnes atteintes de la maladie de Parkinson dans le cadre de l'étude de cohorte longitudinale Oxford Quantification in Parkinsonism ou OxQUIP. Les participants ont été recrutés sur la base de critères spécifiques, notamment la maladie de Parkinson idiopathique légère à modérée et la capacité de marcher et de se tenir debout sans aide.
Les données de base ont été collectées à l'aide de capteurs portables au cours d'une tâche de marche de deux minutes et d'une tâche de balancement postural de 30 secondes. Tous les participants portaient six capteurs d'unité de mesure inertielle (IMU) placés sur leurs poignets, leurs pieds, leur sternum et leur région lombaire pour capturer les données de l'accéléromètre, du gyroscope et du magnétomètre.
Les chercheurs ont déterminé l'état des chutes grâce à des visites cliniques et des suivis à deux et cinq ans. Pour garantir une analyse robuste, ils ont rééchantillonné la plupart de la classe « non-chute » afin d'équilibrer l'ensemble de données pour les modèles d'apprentissage automatique. Cinq classificateurs – Random Forest, Logistic Regression, ElasticNet, Support Vector Machine et XGBoost – ont été formés à l'aide de techniques de validation croisée. Des mesures de performances supplémentaires comprenaient les valeurs d'exactitude, de précision, de rappel et de courbe caractéristique de fonctionnement du récepteur sous la courbe (ROC-AUC).
L'étude a également mené une sélection de caractéristiques pour identifier les prédicteurs critiques, en se concentrant sur la variabilité de la démarche et le balancement postural. L'impact de l'inclusion de données clinico-démographiques telles que l'âge, la durée de la maladie et les scores cliniques de base a été évalué en testant quatre ensembles de fonctionnalités.
En outre, les chercheurs ont également évalué la capacité prédictive des caractéristiques cinématiques seules et dans des ensembles de données combinés à l'aide de divers modèles et ont veillé à ce que toutes les analyses tiennent compte de la standardisation des données et évitent les biais tels que les fuites de données.
L'objectif de l'étude était de développer des évaluations fiables et de courte durée pour la prévision des chutes à long terme dans la maladie de Parkinson en intégrant une technologie portable à des méthodes statistiques avancées pour améliorer la prise de décision clinique.
Principales conclusions
Les résultats indiquent que les capteurs portables et les modèles d'apprentissage automatique prédisent efficacement le risque de chute chez les personnes atteintes de la maladie de Parkinson au fil du temps. À 24 mois, les classificateurs d'apprentissage automatique ont démontré d'excellentes performances, avec une précision comprise entre 84 % et 92 % et une aire sous la courbe (AUC) supérieure à 0,90.
Pour les prévisions sur cinq ans, le modèle Random Forest, qui incorporait des données clinico-démographiques, y compris l'âge, a atteint la précision la plus élevée de 78 % avec une ASC de 0,85. En outre, les chercheurs ont noté que l’ajout de données clinicodémographiques améliorait légèrement les performances prédictives par rapport aux seules caractéristiques cinématiques.
La démarche et la variabilité posturale ont été identifiées comme les prédicteurs les plus significatifs de chutes futures. De plus, les principales variables comprenaient la variabilité des phases de soutien des membres simples et doubles, la longueur de la foulée et l'accélération du balancement postural. L’étude a également révélé que des horizons de prévision plus courts entraînaient une plus grande précision du modèle, soulignant en outre les défis liés à la prévision des résultats sur de longues périodes en raison de la variabilité de la progression de la maladie.
Les performances des modèles d'apprentissage automatique pour prédire les chutes ont été comparées à des échelles cliniques, telles que l'échelle unifiée d'évaluation de la maladie de Parkinson modifiée par la Movement Disorders Society (MDS) (MDS-UPDRS) et le questionnaire sur la maladie de Parkinson (PDQ-39).
Les résultats suggèrent que les évaluations basées sur des capteurs offrent une plus grande précision prédictive. Même si une certaine baisse de la précision des prévisions a été observée sur des périodes plus longues, les résultats ont démontré le potentiel de la technologie portable pour améliorer la gestion des risques de chute en milieu clinique.
Conclusions
Dans l'ensemble, l'étude a mis en évidence le potentiel de l'intégration des données de capteurs portables avec des modèles d'apprentissage automatique pour prédire le risque de chute dans la maladie de Parkinson. Les résultats ont également souligné l’importance de la marche et de la variabilité posturale en tant que facteurs prédictifs et ont démontré la faisabilité d’évaluations cliniques de courte durée.
En améliorant la détection précoce des risques de chute, ces méthodes ouvrent la voie à des interventions ciblées, réduisant l'incidence des chutes et améliorant la qualité de vie des patients atteints de la maladie de Parkinson.
