《Clinical Biomechanics》：Explainable machine learning for Montreal Cognitive Assessment score estimation from gait in community-dwelling older adults: An exploratory evaluation
编辑推荐：
•14个主要步态模型均未能显著优于均值预测。•单周期关节运动未能在年龄、身高、体重和性别之外提供明确的增益。•未校正的步态变异性与蒙特利尔认知评估得分相关。•表观关节重要性在不同独立训练的模型之间有所变化。•均值预测基线和解释稳定性检查增强了评估力度。引言由于干预措施在明显痴
- •
14个主要步态模型均未能显著优于均值预测。
- •
单周期关节运动未能在年龄、身高、体重和性别之外提供明确的增益。
- •
未校正的步态变异性与蒙特利尔认知评估得分相关。
- •
表观关节重要性在不同独立训练的模型之间有所变化。
- •
均值预测基线和解释稳定性检查增强了评估力度。
引言
由于干预措施在明显痴呆出现之前可能最为有效，早期对认知功能的量化评估至关重要（Arvanitakis等，2019，Elliott，2020），而基于行为的机器学习方法应用于步态分析，已被提出作为一种非侵入性的认知评估方法（Al-Hammadi等，2024）。
该方法是否可行取决于模型的评估方式，而两个问题反复出现。报告的误差很少与简单的均值预测基线进行对比。一个返回训练集均值的模型，其均方根误差就等于结果变量的标准差，因此看似很小的误差可能对个人而言几乎没有信息量。此外，此类模型提供的解释很少被评估其稳定性，尽管临床使用要求支持预测的特征必须是可识别且可重复的（Martin等，2023，Tjoa和Guan，2021）。
步速减慢、步幅缩短和变异性增大已被发现与较低的认知功能相关（Mc Ardle等，2021，Hao等，2021，Garcia-Pinillos等，2016），而双支撑期时间则与执行功能相关联（LaRoche等，2014）。老年人踝关节跖屈和功率产生减少提供了可能的生物力学背景（Kerrigan等，1998）。阿尔茨海默病曾通过无标记深度相机录制的计时起立行走测试进行分类（Seifallahi等，2022），而老年人在行走过程中检测出的认知障碍也得到了报告（Obuchi等，2024）；简易精神状态检查得分曾通过汇总步态和体能指标进行回归分析，并配合特征排名，得到最低的均方根误差为2.76分（Noh等，2021）。应用于数字健康领域痴呆症的模型也已得到综述（Lyall等，2023）。在这些研究中，时变关节运动学从未与汇总参数和人口统计信息整合在同一个回归模型中，且未对解释稳定性进行检验。
因此，我们评估了一种可解释的多模态长短期记忆网络模型，用于从步态数据估计蒙特利尔认知评估得分，并使用沙普利加性解释方法来识别具有影响力的关节和步态相位。我们首先量化了参与者级别的步态参数与认知评估之间的关联。然后我们检验了该模型是否在参与者级别的验证中优于均值预测零假设，且缩放和轮次选择仅基于训练参与者。我们还检验了任何性能中有多少可归因于关节角度轨迹而非人口统计信息或汇总步态参数，以及这些归因是否足够稳定以支持生物力学解释。
各节摘要
分析流程概述
我们在同一会话中记录了无标记全身运动学数据和认知评估结果，提取并归一化步态周期，并推导出步态参数。关节角度轨迹、每周期步态参数和人口统计信息被提供给单周期回归模型。随后，我们检验了参与者级别的步态与认知评估之间的关联，按参与者进行交叉验证以比较模型，并使用沙普利加性解释来评估具有影响力的关节、相位和归因稳定性。
参与者及保留的步态周期
步态测量数据无缺失，所有50名参与者均纳入分析。两名参与者的受教育年限数据不可用，因此该变量的描述性统计基于48例。表1列出了参与者特征及参与者级别的步态参数。平均认知评估得分为25.2分（标准差为3.0），范围从16到30分；23名参与者（46.0%）得分低于26分。认知评估得分的分布以及
讨论
我们评估了一种可解释的多模态深度模型是否能够根据步态数据估计社区居住老年人的认知评估得分。在参与者级别的验证中，缩放和轮次选择仅使用训练参与者，由此得出三项发现。步态与认知评估之间存在关联，其中最强的关联通过周间变异性指标体现，尽管这些关联在多重比较校正后未能保持显著性。14个主要模型中没有一个显示了统计学上显著的
结论
在50名社区居住的老年人中，针对零假设检验的14个主要模型在经过跨模型校正后均未显示统计学上显著的改进。多模态模型未能显著优于表3中报告的三个精选的缩减输入模型。尽管如此，支撑期时间和双支撑期时间的变异系数与认知评估得分之间显示了最强的协变量校正后关联，尽管这些关联未保持显著性
CRediT作者贡献声明
Yuta Totoki：撰写——初稿、可视化、软件、方法学、调查、正式分析、数据整理、概念化。Tetsuya Hasegawa：撰写——审阅与编辑、监督、方法学、调查、数据整理、概念化。Kohei Kaminishi：撰写——审阅与编辑、方法学。Arito Yozu：撰写——审阅与编辑、方法学。Jun Ota：撰写——审阅与编辑、监督、项目管理、方法学、资金获取。
伦理声明
所有参与者或其法定代理人已签署书面知情同意书，同意参与本研究并发表该文章。参与者的隐私权利已得到尊重。
本研究在研究开展地遵守了相关法律法规、监管框架和指南。本研究获得了东京大学工程学院研究伦理委员会的批准。（批准编号：KE25-79）
资助
本研究由东京大学精准CDS社会合作研究部门、佳能公司和佳能医疗系统株式会社提供资助。
利益冲突声明
作者声明不存在可能影响本研究中报告工作的已知竞争性财务利益或个人关系。
Yuta Totoki|Tetsuya Hasegawa|Kohei Kaminishi|Arito Yozu|Jun Ota
