Vision-based assessment of parkinsonism and levodopa-induced dyskinesia with pose estimation.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Parkinson hastalığının (PD) tedavisi için levodopa'nın etkinliğine rağmen, uzun süreli kullanım motor komplikasyonların gelişmesine, özellikle de levodopa kaynaklı diskinezinin (LID) gelişmesine yol açar. PD'li kişiler ve hekimleri, semptomların en iyi şekilde giderilmesi için tedavi rejimlerini ve zamanlamasını düzenli olarak değiştirmelidir. PD semptomlarının ciddiyetini değerlendirmek için standart klinik derecelendirme ölçekleri mevcut olsa da, eğitimli bir tıp uzmanı tarafından uygulanmalıdır ve doğası gereği özneldir. Bilgisayar görüşü, hesaplama gücü ve derin öğrenme algoritmalarındaki son gelişmelerle mümkün olan PD'nin otomatik olarak değerlendirilmesi için çekici, temassız, potansiyel bir çözümdür. Bu makalenin amacı, poz tahmini kullanarak parkinsonizm ve LID'nin vizyona dayalı değerlendirmesinin fizibilitesini değerlendirmekti.PD ve LID'li MethodsNine katılımcıları, semptomların düzenli aralıklarla Birleştirilmiş Diskinezi Derecelendirme Ölçeği (UDysRS) ve Birleşik Parkinson Hastalığı Değerlendirme Ölçeği (UPS) kullanılarak değerlendirildiği bir levodopa infüzyon protokolünü tamamladı. Bireysel eklemlerin hareket yörüngeleri, derin öğrenme ile oluşturulmuş bir poz tahmini algoritması olan Convolutional Pose Machines kullanılarak PD değerlendirmesinin videolarından çıkarıldı. Hareket yörüngelerinin (örneğin kinematik, frekans) özellikleri, parkinsonizmin ve LID'nin ciddiyetini tespit etmek ve tahmin etmek için rastgele ormanları eğitmek için kullanıldı. LID'yi değerlendirmek için iletişim ve içme görevleri kullanılırken, parkinsonizmi değerlendirmek için bacak çevikliği ve ayak parmakları vurma görevleri kullanıldı. Görevlerden özellik setleri de toplam UDysRS ve UPDRS Part III puanlarını tahmin etmek için birleştirildi.LID için Sonuçlar, iletişim görevi en iyi sonuçları verdi (tespit: AUC = 0.930, ciddiyet tahmini: r = 0.661). Parkinsonizm için bacak çevikliği, ciddiyet tahmini (r = 0.618) için daha iyi sonuçlara sahipken, ayak parmağına dokunarak algılama için daha iyi idi (AUC = 0.773). UDysRS ve UPDRS Part III puanları sırasıyla r = 0.741 ve 0.530 ile tahmin edildi.BuluşmaÖnerilen sistem, bilgisayar görüşü potansiyeli ve PD'deki klinik uygulama için derin öğrenme sağlar ve derin öğrenmenin gelecekteki PD klinik uygulamalarına çevirisi için umut verici performans gösterir. PD semptomlarının uygun ve objektif bir şekilde değerlendirilmesi, hastalar ve klinisyenler arasında daha sık temas noktalarını kolaylaştıracak, bu da tedavinin daha iyi uyarlanmasına ve bakım kalitesinin artmasına yol açacaktır.

Özgün kaynak özetini okuyun

BackgroundDespite the effectiveness of levodopa for treatment of Parkinson's disease (PD), prolonged usage leads to development of motor complications, most notably levodopa-induced dyskinesia (LID). Persons with PD and their physicians must regularly modify treatment regimens and timing for optimal relief of symptoms. While standardized clinical rating scales exist for assessing the severity of PD symptoms, they must be administered by a trained medical professional and are inherently subjective. Computer vision is an attractive, non-contact, potential solution for automated assessment of PD, made possible by recent advances in computational power and deep learning algorithms. The objective of this paper was to evaluate the feasibility of vision-based assessment of parkinsonism and LID using pose estimation.MethodsNine participants with PD and LID completed a levodopa infusion protocol, where symptoms were assessed at regular intervals using the Unified Dyskinesia Rating Scale (UDysRS) and Unified Parkinson's Disease Rating Scale (UPDRS). Movement trajectories of individual joints were extracted from videos of PD assessment using Convolutional Pose Machines, a pose estimation algorithm built with deep learning. Features of the movement trajectories (e.g. kinematic, frequency) were used to train random forests to detect and estimate the severity of parkinsonism and LID. Communication and drinking tasks were used to assess LID, while leg agility and toe tapping tasks were used to assess parkinsonism. Feature sets from tasks were also combined to predict total UDysRS and UPDRS Part III scores.ResultsFor LID, the communication task yielded the best results (detection: AUC = 0.930, severity estimation: r = 0.661). For parkinsonism, leg agility had better results for severity estimation (r = 0.618), while toe tapping was better for detection (AUC = 0.773). UDysRS and UPDRS Part III scores were predicted with r = 0.741 and 0.530, respectively.ConclusionThe proposed system provides insight into the potential of computer vision and deep learning for clinical application in PD and demonstrates promising performance for the future translation of deep learning to PD clinical practices. Convenient and objective assessment of PD symptoms will facilitate more frequent touchpoints between patients and clinicians, leading to better tailoring of treatment and quality of care.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.