At-home wearables and machine learning capture motor impairment and progression in adult ataxias.
研究背景
神经退行性疾病如脊髓小脑性共济失调（SCAs）和多系统萎缩症（MSA - C），缺乏有效测量疾病进展和治疗反应的工具。传统临床评分量表有主观性等局限。本研究旨在测试通过家庭自然行为期间佩戴的腕部和踝部加速度计传感器获取的运动构建块特征能否捕捉疾病进展。
方法速览
- 参与者招募和数据收集：76名参与者（27名有纵向数据）佩戴腕部和踝部加速度计传感器，连续记录一周自然行为数据。
- 数据处理：传感器数据经自动化管道处理，提取85个运动特征。
- 模型训练：用L1正则化线性回归训练四个复合模型，分别基于腕部和踝部传感器数据。
- 统计分析：用Mann - Whitney U检验和Cohen’s d效应量评估差异，通过计算MSDR评估疾病进展敏感性。
主要发现
- 子运动特征与临床评分量表和自我报告功能强相关：腕部和踝部传感器提取的子运动特征与临床评分总分和子评分中等到强相关，且随疾病严重程度增加而减少。
- 子运动特征在疾病组和对照组间差异显著：所有腕部和踝部传感器特征和模型在疾病组和对照组间有显著差异，部分模型能高度区分患者和对照组。
- 子运动特征在纵向数据中敏感：多数腕部和踝部传感器特征和模型在纵向数据中有显著时间变化，部分模型对疾病进展敏感。
- 腕部和踝部传感器特征在疾病进展中高度一致：腕部和踝部传感器特征变化率高度一致，部分模型一致性最高。
- 早期共济失调阶段潜在运动模式：踝部传感器特征中的子运动加速度变异性在早期与对照组有显著差异。
总结展望
本研究首次在家庭环境通过自然行为数据，用加速度计传感器和机器学习模型客观评估共济失调患者运动功能和疾病进展。基于子运动特征的模型有高敏感性和可靠性，且跨疾病模型有通用性。但研究存在纵向数据集小、高疾病严重度患者流失、早期特征选择待优化等局限，未来需在更大早期患者队列中验证和优化。