基于可能性决策树与步态动力学的神经退行性疾病严重程度评估新方法

本研究针对神经退行性疾病(NDD)严重程度评估存在的主观性问题，开发了一种基于可能性决策树(DT)和步态动力学的三阶段分级模型。通过标准化步态特征和Hanman-Anirban熵算法，实现了NDD患者与健康对照(HC)的区分(准确率99.78%)、疾病类型(PD/ALS/HD)分类(准确率99.82%)及临床分级预测(R2≈0.90)。该研究为NDD的客观诊断和疗效监测提供了可靠工具。

　　

神经退行性疾病如帕金森病(PD)、亨廷顿病(HD)和肌萎缩侧索硬化(ALS)全球影响约15%人口，其进行性特征导致运动功能持续恶化。目前临床主要依赖专家主观评估，存在显著偏差。步态分析虽能客观反映运动障碍，但传统机器学习方法难以处理步态数据的非线性特征和个体差异。

印度Chandigarh大学Apex理工学院的研究团队在《Scientific Reports》发表创新研究，开发了基于可能性决策树的三阶段分级模型。该研究利用足部电阻开关(FSR)采集11,084组步态数据，通过非线性归一化处理消除个体差异，采用Hanman-Anirban熵替代传统概率准则，构建了包含NDD筛查、疾病分型和临床分级(H&Y/UHDRS-TFC)的完整评估体系。关键技术包括：1)基于体重的时空参数归一化；2)可能性决策树构建；3)三阶段分层分类策略；4)10折交叉验证。

【统计分析与特征筛选】
KW检验证实66.6%的步态特征具有疾病特异性，其中PD患者表现为步速降低(1.05±0.293 m/s)和摆动相不对称(SI_swing=12.83±13.26%)，HD患者步态变异度最高(CoV_stance=37.2±16.75%)，ALS患者则显示更长的双支撑时间(0.595±1.139 s)。

【三级分类性能】
一级分类(HC vs NDD)的AUC达0.997，较传统DT提升19.7%；二级分类(PD/ALS/HD)准确率99.82%，显著优于Gini指数(DT-GI)的71.67%；三级疾病分级预测中，PD的H&Y分期RMSE仅0.34，HD的UHDRS-TFC评分R²达0.903。

【临床关联性】
特征重要性分析揭示疾病特异性标志：PD的RSS(摆动/站立比=0.49±0.159)与跌倒风险相关，HD的步态变异度(CoV_swing=9.93±11.75)可预测病程进展，ALS的双支撑时间延长(31.74±8.18%)反映下肢肌力衰退。

该研究创新性地将可能性理论引入步态分析，解决了传统概率模型对重叠特征的敏感性问题。提出的标准化特征集和三级评估框架，为NDD的早期筛查和精准干预提供了可量化的客观标准，特别适用于资源有限的基层医疗机构。未来研究可结合纵向数据验证模型对疾病进展的预测效能。