Early-stage Parkinson's disease classification using biomechanical analysis and machine learning during sit-to-walk task

Araştırma özeti

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

Özet Erken evre Parkinson hastalığı (PD), özellikle koordineli postural ayarlama ve hareketlenme gerektiren karmaşık görevler sırasında bozulmuş motor kontrolü içerir. Ayakta durma ve yürüyüş başlatmayı bütünleştiren oturma-yürüyüş (STW) görevi, PD'li bireyler için önemli bir düşme riski sunar. Bununla birlikte, erken teşhis ve semptom izleme için yararlılığı yeterince araştırılmamıştır. Bu çalışma, erken evre PD'nin STW ile ilgili biyomekanik biyobelirteçlerini tanımlamayı ve makine öğrenimine dayalı sınıflandırma modelinin performansını değerlendirmeyi amaçladı. Toplam 106 katılımcı kaydedildi: 63 erken evre PD'li birey ve 43 yaş uyumlu sağlıklı kontrol. Katılımcılar STW görevini kendi seçtikleri bir hızda gerçekleştirirken üç boyutlu hareket yakalama, kuvvet plakaları ve yüzey EMG kullanıldı. Kinematik, kinetik ve nöromüsküler verilerden, üç görev aşamasında 200 biyomekanik değişken çıkarıldı. Ağırlıklı özellik önemi ve basamaklı ikili lojistik regresyon üç temel değişkeni tanımlamıştır: tüm görev sırasında ortalama kütle merkezi (COM) hızı; anteroposterior basınç merkezi (COP) - COM faz 2 sırasında yer değiştirme; ve faz 2 sırasında ileri torasik hareket aralığı. Bu değişkenleri kullanan rastgele bir orman sınıflandırıcısı %84.9 doğruluk elde etti. Bu biyobelirteçler postüral stabiliteyi korumak için telafi edici hareket stratejilerini yansıtır ve klinik uygulamada PD'nin objektif erken taramasını destekleyebilir.

Özgün kaynak özetini okuyun

Abstract Early-stage Parkinson’s disease (PD) involves impaired motor control, particularly during complex tasks requiring coordinated postural adjustment and locomotion. The sit-to-walk (STW) task, which integrates standing and gait initiation, presents a substantial fall risk for individuals with PD. However, its utility for early detection and symptom monitoring remains insufficiently investigated. This study aimed to identify STW-related biomechanical biomarkers of early-stage PD and evaluate the performance of a machine learning based classification model. A total of 106 participants were enrolled: 63 individuals with early-stage PD and 43 age-matched healthy controls. Three-dimensional motion capture, force plates, and surface EMG were used while participants performed the STW task at a self-selected speed. From kinematic, kinetic, and neuromuscular data, 200 biomechanical variables were extracted across three task phases. Weighted feature importance and stepwise binary logistic regression identified three key variables: mean center of mass (COM) speed during the entire task; anteroposterior center of pressure (COP) – COM displacement during Phase 2; and forward thoracic range of motion during Phase 2. A random forest classifier using these variables achieved 84.9% accuracy. These biomarkers reflect compensatory movement strategies for maintaining postural stability and may support objective early screening of PD in clinical practice.

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.