Dans une récente étude longitudinale publiée dans npj Maladie de Parkinsonles chercheurs ont suivi la progression quantitative des symptômes moteurs de la maladie de Parkinson (MP) au fil du temps à l’aide de données de capteurs portables et d’algorithmes d’apprentissage automatique (ML).
Étude : Identification de la progression motrice dans la maladie de Parkinson à l’aide de capteurs portables et de l’apprentissage automatique. Crédit d’image : métamorworks/Shutterstock.com
Sommaire
Arrière-plan
L’échelle de référence actuelle pour surveiller la progression de la MP, en particulier les symptômes moteurs et non moteurs, est l’échelle d’évaluation de la maladie de Parkinson unifiée par la Movement Disorder Society (MDS-UPDRS).
Cependant, la variabilité de ses évaluations gêne souvent les analyses statistiques dans les études cliniques. Ainsi, une échelle d’intervalle continue est hautement souhaitable pour mesurer l’efficacité des interventions cliniques pour la MP dans les essais cliniques.
Les appareils portables sont des outils inestimables pour surveiller la progression des symptômes moteurs dans la MP. Ils sont portables, abordables et peuvent évaluer les caractéristiques de la marche et de l’équilibre dans le temps.
De plus, ces appareils peuvent générer des mesures cinématiques approfondies et personnalisées à distance, par exemple à domicile et en clinique. Cependant, toutes les mesures numériques extraites par les appareils portables ne sont pas pertinentes en pratique clinique. Par conséquent, les modèles ML entrent en scène.
Un travail récent a démontré que l’analyse des données de l’IMU peut distinguer les patients atteints de MP présentant différents niveaux de gravité et d’autres troubles de type MP, par exemple la paralysie supranucléaire progressive (PSP). Des modèles ML bien entraînés peuvent également identifier des signes de bradykinésie chez les patients parkinsoniens.
À propos de l’étude
Dans la présente étude, les chercheurs ont utilisé des algorithmes simples de régression linéaire (LR) et de forêt aléatoire (RF) avec différentes routines de sélection automatique de caractéristiques pour développer sept modèles ML et gérer les caractéristiques cinématiques mesurées par les appareils portables.
De plus, ils ont utilisé des données de marche (deux minutes) et de balancement postural (30 secondes) collectées par six unités de mesure inertielle (IMU) portables pour identifier le(s) signal(s) préliminaire(s) de progression des symptômes moteurs chez 74 patients parkinsoniens sur 18 mois. Au cours de l’étude, tous les participants ont effectué un total de sept visites.
Les critères d’éligibilité exigeaient que ces participants souffraient de MP ou recevaient des médicaments anti-PD, mais n’avaient pas de problèmes musculo-squelettiques majeurs ni de démence au moment de l’inscription et du consentement.
L’équipe leur a demandé de porter des capteurs portables sur leurs poignets, leurs pieds, leur sternum et leur région lombaire. Ces appareils ont collecté des données d’accéléromètre triaxial, de gyroscope et de magnétomètre à une fréquence d’échantillonnage de 128 Hz.
Les chercheurs ont validé l’association des données IMU dérivées de capteurs portables avec les évaluations MDS-UPDRS-III pour comprendre lesquelles suivaient le mieux la progression des symptômes moteurs de la MP.
Ils ont émis l’hypothèse que ces modèles pourraient détecter une progression statistiquement significative des symptômes moteurs chez les patients parkinsoniens plus tôt que l’échelle MDS-UPDRS-III.
Résultats
Les chercheurs ont collecté des données IMU sur plus de 18 mois auprès de 91 personnes atteintes de MP idiopathique. Sur 122 caractéristiques cinématiques mesurées, 29 ont augmenté ou diminué de manière nettement linéaire au niveau du groupe au fil du temps.
Parmi ceux-ci, 19 reflétaient la variabilité de la marche pas à pas, dont il avait déjà été démontré qu’elle évoluait avec la gravité de la maladie dans la MP. Des études ont également montré qu’il s’agit d’un facteur prédictif clé de chutes chez les patients parkinsoniens.
La vitesse de balancement médiolatéral était la seule caractéristique de balancement postural qui a progressé de manière significative ; c’est également un biomarqueur bien reconnu des chutes chez les patients parkinsoniens. Parmi les caractéristiques individuelles, l’angle du pied au moment de l’attaque et de la pointe du pied et la longueur de la foulée ont le plus contribué à l’estimation du score MDS-UPDRS-III.
Un modèle LR multivarié (modèle 1) utilisait les deux caractéristiques cinématiques, montrant la progression temporelle la plus statistiquement significative. Sur 29 fonctionnalités en progression, la sélection avancée des fonctionnalités en a identifié six à utiliser dans le modèle d’arrêt précoce (modèle 2). L’équipe a également étudié le RF Regressor avec 29 fonctionnalités progressives en entrée (modèle 3).
L’application de l’analyse en composantes principales (ACP) aux 122 caractéristiques et aux 29 caractéristiques en progression a réduit la dimensionnalité des ensembles de données d’origine à haute dimensionnalité et a renvoyé 31 et 10 caractéristiques, respectivement.
Les deux composantes principales ont servi de variables indépendantes dans les régressions LR et RF. Il a récupéré les modèles 4, 5, 6 et 7, qui utilisaient respectivement LR sur dix facteurs, RF sur dix facteurs, LR sur 31 facteurs et RF sur 31 facteurs.
Le régresseur RF (modèle 3) a estimé le score MDS-UPDRS-III avec l’erreur quadratique moyenne (RMSE) la plus faible (= 10,02) sur les cinq itérations de validation croisée ; ainsi, il a été adopté pour traiter les données longitudinales des capteurs provenant de visites séquentielles.
Le modèle 3 a également identifié la progression des symptômes moteurs de la MP dès 15 mois après le départ, alors que l’échelle MDS-UPDRS n’a pas capturé ces signes, même à la fin de la période d’étude.
De plus, la production du modèle augmentait de façon monotone d’une visite à l’autre. Au contraire, les scores MDS-UPDRS-III fluctuaient d’une visite à l’autre, obtenant des preuves floues de la progression des symptômes moteurs de la MP.
Conclusions
Dans l’ensemble, la méthodologie basée sur les appareils portables et les algorithmes ML présentée dans cette étude pourrait être un outil complémentaire dans la pratique clinique pour déterminer les premiers signes de progression des symptômes moteurs de la MP.
Cette méthode a donné de meilleurs résultats que les échelles d’évaluation clinique conventionnellement utilisées dans la MP ; ainsi, cela pourrait considérablement améliorer la précision du diagnostic et du pronostic des patients parkinsoniens.
Des chercheurs découvrent comment se produit une régénération rapide des tendons chez les tritons