首页 > 论文范文 > 医药卫生论文 > 内科论文 > 帕金森论文 > 人工智能的运动评估对帕金森病及多系统萎缩P型的诊断价值

人工智能的运动评估对帕金森病及多系统萎缩P型的诊断价值

2025-04-12 8 上传者：管理员

摘要：目的应用人工智能辅助下的运动障碍评估法对帕金森病(Parkinson'sdisease,PD)及多系统萎缩P型(multiplesystematrophy-Parkinson,MSA-P)进行运动量化评估以期精准鉴别诊断。方法连续纳入2024年1～9月在解放军总医院第一和第三医学中心神经内科就诊的年龄≥60岁患者105例，根据诊断情况分为PD组48例，MSA-P组31例及对照组26例。收集一般资料，采用运动功能辅助评估系统进行运动评定，评估该方法在PD及MSA-P中的鉴别诊断价值。结果3组面部表情指标、左右侧对指频率、左右侧手部运动频率、右侧手部运动的幅度变化率、左右侧连续翻掌频率、左右侧脚趾拍地频率、左右侧脚趾拍地冻结负荷、左右侧腿部灵活度频率、右侧腿部灵活度幅度变化率、左右侧腿部灵活度的冻结负荷、直立伸展角速度、转身耗时、前进步频、返回步频、前进平均步幅、返回平均步幅、前进平均步速、返回平均步速、前进平均步宽、返回平均步宽、左右手姿势性震颤频率、左右手姿势性震颤最大幅度、左右手动作性震颤频率、左右手动作性震颤最大幅度、左右手静止性震颤频率比较，差异有统计学意义(P<0.05,P<0.01)。MSA-P组左右侧瞬目频率、面部震颤最大幅度、面部震颤频率、直立伸展角速度、前进步频、返回步频明显低于PD组，张嘴时长占比及转身耗时明显高于PD组，差异有统计学意义(P<0.05,P<0.01)。联合9项运动功能指标或5项面部表情指标鉴别诊断PD与MSA-P的ROC曲线下面积分别为0.943(95%CI:0.895～0.991,P=0.000),0.925(95%CI:0.870～0.981,P=0.000),大于各单项指标。结论联合面部表情、姿势、步态等人工智能辅助的运动评估有助于PD及MSA-P的鉴别诊断。

关键词：
人工智能
多系统萎缩
帕金森病
诊断
鉴别
加入收藏

原发性帕金森病(Parkinson��sdisease,PD)与多系统萎缩P型(multiplesystematrophy-Parkinson,MSA-P)是常见于中老年人的神经系统变性病,二者均表现为运动迟缓、静止性震颤、肌强直、姿势平衡障碍,MSA-P多伴有进展性自主神经功能障碍[1-4]。PD及MSA-P患者早期临床表现相似,仅通过临床表现和神经系统检查较难鉴别二者。因二者致残率高,及早诊断及治疗对于减缓病情和降低残疾风险非常重要[5-6]。近年来,头部正电子发射断层显像检查评估葡萄糖代谢和多巴胺转运蛋白的不同表达被用于鉴别诊断,但费用昂贵,故需要寻找简单易行的方法辅助诊断。目前,PD及MSA-P患者运动障碍分析主要依靠临床医师的经验观察及量表评估,客观性较差且难以定量。基于人工智能的运动功能障碍定量评价方法逐渐成为研究热点[7-9]。本研究使用人工智能辅助评估方法,通过多个摄像头从不同视角同步捕捉全身动作,对评估对象的全身运动状态进行多维度量化描述和三维运动影像重建,使得运动功能的评估更加客观和全面,为PD与MSA-P早期鉴别诊断及制定个性化的治疗方案提供依据。

1、资料与方法

1.1研究对象

本研究属于横断面研究。连续纳入2024年1~9月在解放军总医院第一医学中心和第三医学中心神经内科就诊的年龄≥60岁患者105例,男性55例,女性50例,年龄60~81(69.56±5.40)岁,根据诊断标准分为PD组48例,MSA-P组31例及对照组26例。纳入标准:(1)无需借助任何辅助器具可独立行走;(2)能听懂并按照医师的指示做出相应应答;(3)PD组患者Hoehn-Yahr(HY)分级≤3级[10-11]。排除标准:(1)有明显听力(和)或视力障碍、肿瘤、精神疾病、脑血管疾病、认知功能异常等影响配合者;(2)有影响行走状态的骨关节、外伤、躯体疼痛者;(3)有严重心、肺功能疾病者。PD患者诊断符合《中国帕金森病诊断标准》[12]。MSA-P患者诊断符合2022版《多系统萎缩诊断标准中国专家共识》[13]。本研究经解放军总医院伦理委员会审批通过(KY2024-023号),所有患者受试前均自愿签署知情同意书。

1.2方法

入组时收集受试者年龄、性别、病程、统一帕金森病评定量表第三部分(UnifiedParkinson��sDiseaseRatingScaleⅢ,UPDRSⅢ)评分(人工)以及受试者是否有便秘、快速眼动睡眠行为障碍、嗅觉障碍、焦虑抑郁、直立性低血压、残余尿量>100ml。所有已接受药物治疗受试者停药≥8h,通过基于人工智能的运动功能辅助评估系统(movementdysfunctionassessmentsoftware,MoDAS)完成运动功能评估及数据采集。对受试者面部表情(瞬目频率、张嘴时长占比、震颤最大幅度、震颤频率);四肢运动(对指、手部运动、连续翻掌、脚趾拍地、腿部灵活度频率,对指、手部运动、脚趾拍地、腿部灵活度幅度变化率,脚趾拍地、腿部灵活度冻结负荷);姿势(直立伸展角速度);步态(转身耗时、步频、平均步幅、平均步速、平均步宽、步态冻结负荷);四肢震颤(手部姿势及动作性震颤频率,手部姿势性、动作性震颤最大幅度,四肢静止性震颤频率)等五个方面进行量化分析,同时进行UPDRS-Ⅲ评分(MoDAS评分)。各运动功能指标的频率取单位时间(10s)内完成动作平均次数;幅度变化率取其动作前、后1/3幅度平均值的相对变化;直立伸展角速度取在身体前倾到最大程度到站立成功时,肩髋连线-髋膝连线形成的夹角角度范围与所用时间比值。

1.3统计学方法

使用SPSS26.0软件。计量资料采用Shapiro-Wilk检验行正态性检验,符合正态分布的计量资料以x��±s表示,方差齐性采用Bartlett��s检验,对正态分布且方差齐的资料采用方差分析;非正态分布的计量资料以M(Q1,Q3)表示,多组间(≥3组)比较采用KruskalWallisH检验同时组间多重比较,两组间比较采用Mann-WhitneyU检验。计数资料以百分率表示,采用χ2检验。绘制ROC曲线分析差异指标鉴别诊断价值,计算ROC曲线下面积(areaundercurve,AUC)、敏感性、特异性、最佳截断值。P<0.05为差异有统计学意义。

2、结果

2.1各组受试者一般资料的比较

各组年龄、性别、病程比较无统计学差异(P>0.05)。各组便秘、快速眼动睡眠行为障碍、嗅觉障碍、焦虑抑郁、体位性低血压、残余尿>100ml比例及MoDAS-UPDRSⅢ评分和人工UPDRSⅢ评分比较,差异有统计学意义(P<0.01)。PD组和MSA-P组便秘、快速眼动睡眠行为障碍、嗅觉障碍、焦虑抑郁、体位性低血压、残余尿>100ml比例及MoDAS-UPDRSⅢ评分和人工UPDRSⅢ评分明显高于对照组,差异有统计学意义(P<0.05);MSA-P组便秘、嗅觉障碍比例明显低于PD组,快速眼动睡眠行为障碍、体位性低血压、残余尿>100ml比例明显高于PD组,差异有统计学意义(P<0.05,表1)。

表1各组受试者的一般资料比较

2.2各组受试者运动功能指标比较

3组面部表情指标、左右侧对指频率、左右侧手部运动频率、右侧手部运动的幅度变化率、左右侧连续翻掌频率、左右侧脚趾拍地频率、左右侧脚趾拍地冻结负荷、左右侧腿部灵活度频率、右侧腿部灵活度幅度变化率、左右侧腿部灵活度的冻结负荷、直立伸展角速度、转身耗时、前进步频、返回步频、前进平均步幅、返回平均步幅、前进平均步速、返回平均步速、前进平均步宽、返回平均步宽、左右手姿势性震颤频率、左右手姿势性震颤最大幅度、左右手动作性震颤频率、左右手动作性震颤最大幅度、左右手静止性震颤频率比较,差异有统计学意义(P<0.05,P<0.01)。MSA-P组左右侧瞬目频率、面部震颤最大幅度、面部震颤频率、直立伸展角速度、前进步频、返回步频明显低于PD组,张嘴时长占比及转身耗时明显高于PD组,差异有统计学意义(P<0.05,P<0.01,表2~4)。

表2各组受试者面部表情指标比较

表3各组受试者四肢运动指标比较

表4各组受试者姿势和步态及震颤指标比较

2.3运动功能指标的诊断价值

ROC曲线分析显示,9项运动功能指标的联合诊断AUC最大(AUC=0.943,95%CI:0.895~0.991,P=0.000),5项面部表情指标的联合诊断次之(AUC=0.925,95%CI:0.870~0.981,P=0.000);其次为5项AUC>0.7的运动功能指标的联合诊断(AUC=0.915,表5,图1)。

表5各项指标的ROC曲线及其相关值

图1ROC曲线分析

3、讨论

PD与MSA-P临床症状相似,但治疗方法有明显差异,早期鉴别对于制定治疗方案至关重要。目前常用的PD运动功能评估方法为UPDRS评分和H-Y分级[14-16]。UPDRS反映病情严重程度。H-Y分级用于确定纳排标准及病程监测[17]。二者在PD的临床评估中有重要作用,但在与MSA-P的鉴别诊断中无法起到直观作用。

随着计算机技术发展,以运动信号检测、特征提取等为主要手段的运动障碍量化分析评估逐渐成为PD等患者运动功能研究重点[18-19]。量化分析手段有:(1)多摄像头图像采集:2021年Rupprechter等用计算机视觉方法评估步态障碍,但采集易受环境光线影响;(2)可穿戴设备:刘艳春等用智能鞋垫获得步态量化指标;Reichmann等[20]用可穿戴传感器监测PD患者运动障碍,但二者穿戴不适感强,影响数据采集持久性和准确性。现有方法多只关注运动障碍的某单一方面,量化分析的全面性不足[21-22]。因此,本研究应用人工智能辅助下的运动功能评估方法,在不同运动模式下对全身运动障碍各个指标综合、多维度量化评估以及三维影像重建,可以捕捉到肉眼难以观察到的面部特征,提供全面评估的新视角。

本研究发现,PD组瞬目频率、面部震颤的最大幅度及频率、直立伸展角速度、步频大于MSA-P组,而张嘴时长占比及转身耗时,MSA-P组明显大于PD组。故面部表情、姿势、步态的差异对于二者鉴别诊断有重要意义,这在常规神经系统检查中较难分辨。9项运动功能指标联合诊断PD及MSA-P的鉴别诊断价值最高,5项面部表情指标次之,其次为5项AUC>0.7指标与4项AUC>0.7指标。尽管面部表情指标联合诊断次于9项运动功能指标,但两种疾病面部表情的差异肉眼较难鉴别。MoDAS评分通过面部表情细微变化,有助于鉴别诊断。步频的AUC>0.7,但前进步频特异性较低(64.5%)、返回步频敏感性较低(41.7%),故这两者诊断效能偏低,但仍可作为鉴别诊断重要因素。左右侧瞬目频率、直立伸展角速度、转身耗时AUC<0.7,独立作为鉴别诊断因素诊断效能较低,将此四者联合分析呈敏感性较低(64.60%),但诊断效能进一步提高。故认为联合此四者也可作为鉴别诊断的重要参考。

因部分纳入患者仅累及单侧肢体且病情较轻,故各组受试者部分指标仅单侧有差异。PD组及MSA-P组在四肢运动与震颤指标上无明显差异,可能是因纳入患者H-Y≤3级且经过治疗病情已相对稳定,评估前停药时间也可能对结果产生干扰。

本研究的不足在于因受试者的认知功能不同,视频采集配合度有所不同,故部分数据准确性可能有所偏倚;纳入受试者样本量略小,可进一步扩大样本量验证诊断价值及效能。

本研究采用MoDAS评分对PD及MSA-P患者进行了全身运动功能的综合评估,发现面部表情、姿势及步态在两种疾病的鉴别诊断中具有较高价值,尤其需关注面部表情,联合诊断可提高临床诊断的准确性,为治疗方案制定提供重要依据。

参考文献:

[12]中华医学会神经病学分会帕金森病及运动障碍学组,中国医师协会神经内科医师分会帕金森病及运动障碍专业.中国帕金森病的诊断标准(2016版)[J].中华神经科杂志,2016,49(4):268-271.

[13]中华医学会神经病学分会帕金森病及运动障碍学组,中国医师协会神经内科医师分会,帕金森病及运动障碍学组.多系统萎缩诊断标准中国专家共识(2022)[J].中华神经科杂志,2023,56(1):15-29.

基金资助:首都卫生发展科研专项(首发2020-2-5115);

文章来源:王茜尧,任娜,陈纪霖,等.基于人工智能的运动评估对帕金森病及多系统萎缩P型的诊断价值[J].中华老年心脑血管病杂志,2025,27(04):482-487.