Berührungslose Bewertung von Steifheit bei Parkinson durch Maschinelles Sehen und Maschinelles Lernen
Parkinson ist eine fortschreitende Erkrankung des Nervensystems, die sich durch Symptome wie verlangsamte Bewegungen, Zittern und Steifheit äußert. Die Bewertung dieser Symptome, insbesondere der Steifheit, erfolgt normalerweise durch körperliche Untersuchungen. Doch was, wenn diese Bewertungen auch ohne direkten Kontakt möglich wären? Neue Technologien könnten hier einen Durchbruch bringen.
Einführung
Parkinson-Patienten leiden oft unter Steifheit, die ihre Beweglichkeit stark einschränkt. Bisher müssen Ärzte die Steifheit durch Berührung und passive Bewegungen der Gliedmaßen beurteilen. Dies macht es schwierig, Patienten aus der Ferne zu untersuchen, was besonders in Zeiten von Telemedizin ein Problem darstellt. Könnten Maschinelles Sehen (Machine Vision) und Maschinelles Lernen (Machine Learning) hier Abhilfe schaffen?
Die Studie
Ein Forschungsteam aus dem Ruijin Hospital und der Firma Gyenno Science Co., Ltd. hat ein System entwickelt, das Steifheit bei Parkinson-Patienten berührungslos bewerten kann. Die Idee: Bewegungen, die normalerweise mit verlangsamten Bewegungen (Bradykinesie) in Verbindung gebracht werden, könnten auch Hinweise auf die Schwere der Steifheit liefern.
Methode
Teilnehmer und Datenerfassung
Die Studie umfasste 135 Parkinson-Patienten. Die Teilnehmer führten standardisierte Bewegungen vor einer Kamera aus, wie sie auch bei klinischen Untersuchungen verwendet werden. Dazu gehörten Fingerklopfen, Handdrehungen, Zehenklopfen und Gehen. Ärzte bewerteten die Steifheit in den Armen, Beinen und im Nacken anhand einer Skala von 0 bis 4.
Merkmalsextraktion
Die Videos wurden mit Hilfe von Algorithmen analysiert, um Bewegungsmerkmale zu extrahieren. Dabei wurden vier Dimensionen berücksichtigt:
- Bewegung: Spezifische Aufgaben wie Handdrehungen.
- Gelenk: Anatomische Punkte wie Hand oder Zehen.
- Signal: Rohdaten wie Abstand oder Winkel.
- Eigenschaft: Abgeleitete Werte wie Geschwindigkeit oder Variabilität.
Insgesamt wurden tausende Merkmale generiert, die zur Bewertung der Steifheit verwendet wurden.
Modellentwicklung
Das Team verwendete den Algorithmus XGBOOST, der gut mit vielen Daten umgehen kann. Die Steifheit wurde in vier Kategorien eingeteilt, da schwere Fälle (Score 4) selten waren. Die Daten wurden in Trainings- und Testdatensätze aufgeteilt, um die Genauigkeit des Modells zu überprüfen.
Ergebnisse
Steifheit in den Armen
Das Modell für die Arme zeigte eine moderate Übereinstimmung mit den Bewertungen der Ärzte (ICC = 0,66). Besonders wichtig waren Handdrehungen und Fingerbewegungen. Die Genauigkeit lag bei 65%.
Steifheit in den Beinen
Für die Beine betrug die Übereinstimmung ICC = 0,60, und die Genauigkeit lag bei 72%. Gehen und Zehenklopfen waren die wichtigsten Bewegungen.
Steifheit im Nacken
Das Nackenmodell erreichte eine Übereinstimmung von ICC = 0,70 und eine Genauigkeit von 78%. Hier spielten vor allem Gehmuster eine Rolle.
Diskussion
Klinische Relevanz
Diese Studie zeigt, dass Steifheit bei Parkinson auch ohne direkten Kontakt bewertet werden kann. Bewegungsmerkmale wie Variabilität und Komplexität liefern wertvolle Hinweise auf die Schwere der Steifheit.
Technische Einblicke
Merkmale wie die Variabilität der Bewegungsgeschwindigkeit oder die Komplexität der Bewegungen waren besonders aussagekräftig. Distale Gelenke (z. B. Finger) lieferten mehr Informationen als proximale (z. B. Schultern).
Grenzen und zukünftige Forschung
Die Studie wurde an einem einzigen Zentrum durchgeführt und umfasste nur wenige Patienten mit schwerer Steifheit. Zukünftige Forschungen sollten größere und vielfältigere Patientengruppen einbeziehen.
Fazit
Diese Forschung zeigt, dass berührungslose Bewertungen von Steifheit bei Parkinson möglich sind. Durch die Analyse von Bewegungsmustern können Ärzte die Steifheit auch aus der Ferne beurteilen. Dies könnte die Telemedizin revolutionieren, insbesondere in Regionen mit begrenzten Ressourcen.
doi.org/10.1097/CM9.0000000000002668
For educational purposes only