基于可穿戴传感器的帕金森病长期居家监测与数字运动特征分型研究

《Brain Sciences》：Digital Motor Profiling in Parkinson’s Disease: Long-Term Monitoring Through Wearable Sensors

　　

背景/目的： 帕金森病（Parkinson's disease，PD）在临床上具有高度异质性，其运动并发症在常规门诊评估中往往难以被充分捕捉。本研究为一项横断面观察性研究，旨在探究基于居家环境的长期可穿戴监测是否能够通过无监督分析方法识别具有临床意义的患者亚组，从而实现数字运动特征分型。方法： 共纳入76例PD患者，所有患者均接受标准化临床评估，随后使用单一腰部佩戴式惯性传感器进行长期居家监测。研究提取了步态、活动能力及复杂运动表现（包括异动症和冻结步态（freezing of gait，FOG））的可穿戴衍生测量指标，并采用完全基于传感器衍生变量的无监督聚类分析方法进行分析。随后，通过临床和数字结局指标对所得亚组进行特征描述，并采用自助重采样和互补的机器学习分析检验聚类稳定性和可解释性。结果： 无监督聚类识别出两种不同的数字运动特征谱，其主要差异体现在运动并发症负担而非整体疾病严重程度。尽管两组患者在病程、Hoehn和Yahr分期及临床运动表型方面无显著差异，但其中一个亚组的患者表现出显著更重的异动症、运动波动及多巴胺能治疗需求，并在日常生活中呈现出独特的传感器衍生运动特征。异动症相关指标成为区分两种特征谱的最强贡献因素，且所识别的聚类可由替代分类模型以高交叉验证一致性进行复现。结论： 长期居家可穿戴监测可能支持PD中具有临床意义的数字运动特征分型。超越传统临床分期，该方法能够在真实世界条件下识别具有不同运动并发症负担的患者。在经过适当验证后，客观数字生物标志物有望支持患者分层、纵向监测及治疗优化。

论文解读：基于可穿戴传感器的帕金森病长期居家监测与数字运动特征分型

一、研究背景与问题

帕金森病（Parkinson's disease，PD）是全球第二大常见的神经退行性疾病，以运动迟缓、肌强直、静止性震颤及晚期姿势不稳为核心运动综合征。左旋多巴（L-Dopa）是目前最有效的对症治疗药物，但随着疾病进展，患者运动功能逐渐依赖短时程反应，导致运动波动和异动症等运动并发症的出现。这些并发症是启动先进疗法（如持续多巴胺能药物输注和脑深部电刺激）的主要指征，因此早期识别对于指导个体化治疗策略至关重要。然而，运动并发症的表现受服药时间、情绪状态和环境背景影响，常规门诊的短暂评估往往无法捕捉真实世界中的运动功能，而依赖患者或照护者访谈及日记的评估方式又易受回忆偏倚、主观解读、认知障碍及依从性差等因素影响。可穿戴惯性传感器能够在日常生活中客观、定量、连续地评估运动表现，既往研究多聚焦于验证单一数字生物标志物或量化特定运动表现，但尚未有研究将无监督聚类方法应用于长期居家可穿戴运动数据以对PD患者进行分层并识别不同的数字运动特征谱。鉴于PD的高度异质性，数据驱动的数字特征分型可能揭示超越常规临床评估的运动功能障碍补充维度，有助于改善患者评估和治疗管理。

二、研究目的与设计

本研究为一项多中心横断面观察性研究，遵循STROBE指南，经罗马大学伦理委员会批准。研究人员于2023年1月至2025年9月间，从罗马大学和都灵大学运动障碍门诊连续招募76例特发性PD患者，纳入标准包括符合现行国际诊断标准、接受慢性多巴胺能治疗、可独立行走（Hoehn和Yahr（H&Y）分期≤4）。排除标准包括非典型帕金森综合征、既往消融性功能神经外科手术、严重认知障碍、无法独立行走及可能影响步态的神经、骨科或风湿疾病。所有患者在居家监测前接受标准化神经评估，包括H&Y分期、MDS-UPDRS I-IV部分、统一异动症评定量表（UDysRS III-IV部分）、剂末现象问卷-19（WOQ-19）、冻结步态问卷（FOG-Q）、PDQ-39、PDSS、MoCA、FAB及BDI-II等。评估均在ON药物状态进行。随后，患者使用单一腰部佩戴式惯性传感器（STAT-ON?，Sense4Care，西班牙巴塞罗那）进行至少连续4天、每天至少8小时的居家监测。该设备集成两个三轴加速度计，以50 Hz采样、±6 g量程和12位分辨率采集信号，内置经验证的嵌入式机器学习算法，可自动检测行走、步态参数、异动症和冻结步态（FOG），并估计ON、OFF及Intermediate运动状态的时间比例。

三、主要关键技术方法

研究人员采用无监督聚类分析方法，具体包括：对传感器衍生特征进行主成分分析（PCA）降维，保留解释至少90%累计方差的主成分；采用K-means算法在PCA变换后的特征空间进行聚类，通过综合轮廓系数（Silhouette）和Calinski-Harabasz指数的复合内部验证评分确定最优聚类数；采用200次自助重采样（bootstrap）评估聚类稳定性，以调整兰德指数（ARI）和归一化互信息（NMI）量化一致性；采用留一域和仅单域两种敏感性分析评估聚类对降维的稳健性及各运动域贡献；采用随机森林分类器作为替代模型评估聚类可判别性，以5折分层交叉验证评估性能，并使用SHAP（Shapley Additive Explanations）值进行特征重要性解释。临床变量未纳入聚类过程，仅用于事后特征描述。

四、研究结果

4.1 研究队列与居家监测情况

76例PD患者全部完成研究方案，无脱落。平均居家监测时长为6.7±1.3天（中位数6天，IQR 6-8天）。研究队列在疾病严重程度方面具有临床异质性。

4.2 降维与聚类

主成分分析保留11个主成分，解释91.7%的累计方差。内部验证指标一致支持两聚类解为最优方案（轮廓系数约0.191，CH指数约20.8）。聚类分离主要沿第一主成分（PC1）方向，第二主成分（PC2）方向存在较大重叠。自助重采样显示聚类稳定性为中度至高度，平均ARI为0.79±0.17，平均NMI为0.76±0.17。敏感性分析表明聚类解对降维稳健，且异动症相关特征对聚类结构贡献最强。

4.3 识别聚类的临床与数字特征描述

经多重比较校正后，两个聚类在左旋多巴等效日剂量（LEDD）和运动并发症方面存在显著差异。与Cluster 1相比，Cluster 0患者表现出更高的MDS-UPDRS第四部分、UDysRS第三和第四部分及WOQ-19评分，以及更高的LEDD。两组在年龄、病程、发病年龄、H&Y分期、MDS-UPDRS第三部分（整体运动严重程度）、第二部分（日常生活活动）、第一部分（非运动症状）、FOG-Q、MoCA、FAB、BDI-II、PDSS、PDQ-39及临床运动表型方面均无显著差异。据此，Cluster 0被命名为高运动并发症（HMC）组，Cluster 1为低运动并发症（LMC）组。传感器衍生结局比较显示，HMC组较LMC组表现出更低的步频、更高的步态流畅性及其变异性、更大的FOG负担（更多发作次数和更长持续时间）、更高的平均异动症强度和更长的归一化异动症持续时间，以及更大的每日总运动量和姿势转换次数。两组在步长、步速和归一化行走回合数方面无显著差异。

4.4 替代分类与模型可解释性

随机森林替代模型在5折交叉验证中平均准确率为93.5%，平衡准确率为93.5%，F1分数为94.3%，表明聚类分配可由输入特征高精度复现。SHAP特征重要性分析显示，异动症功率的均值和变异系数（CV）是聚类分类的最强贡献因素，其次是归一化姿势转换次数、归一化异动症持续时间和平均异动症连续性评分。整体活动量和行走时间等指标也位列重要特征，而步态相关指标、FOG指标和步数贡献相对较小。SHAP摘要图显示，异动症功率均值、归一化异动症持续时间、归一化运动量、归一化行走时间、归一化姿势转换次数及异动症连续性评分CV的较高值主要倾向于分类为HMC组，而平均异动症连续性评分和归一化OFF状态的较高值倾向于分类为LMC组。

五、讨论与结论

研究人员指出，本研究首次证明长期居家可穿戴监测数据的无监督分析能够在PD中识别出不同的数字运动特征谱。两个聚类的主要差异在于运动并发症负担而非整体疾病严重程度，且这种差异在病程和临床分期相似的情况下仍可被客观捕捉。异动症相关指标成为区分特征谱的最强贡献因素，这可能与异动症在一天中显著波动、适合通过长期居家监测捕捉有关。步态和FOG相关指标贡献相对较小，可能与这些指标仅在行走期间可量化、仅反映部分日常运动行为有关。研究人员强调，该数字运动特征谱捕捉的是运动并发症的动态表达而非整体运动障碍程度，且客观FOG负担与FOG-Q评分无显著差异，反映了患者报告结局在评估FOG方面的局限性。研究局限性包括横断面设计无法推断时间演变、聚类需在独立多中心队列和不同传感器平台中验证、无法排除人口学和疾病相关因素及治疗方式的混杂影响、以及单一腰部传感器仅提供运动特征信息。结论部分指出，本研究提供首个证据表明PD中长期居家可穿戴监测数据的无监督分析可识别不同的数字运动特征谱，能够区分高与低运动并发症负担的患者，捕捉了临床分期未能反映的疾病异质性维度。异动症相关测量指标在真实世界条件下识别高运动并发症负担患者方面具有最大潜力，但这些探索性发现需在独立队列中进行前瞻性临床验证后方可应用于临床。