可穿戴步态生物标志物与可解释人工智能识别帕金森病中的高回顾性前驱期负担

《Scientific Reports》：Wearable Gait Biomarkers and Explainable AI Identify High Retrospective Prodromal Burden in Parkinson’s Disease

　　

摘要

帕金森病（PD）进展和表型异质性的客观可穿戴标志物仍具有临床相关性，尤其是与通常先于或伴随运动诊断的非运动特征负担相关。在确诊 PD 的患者中，回顾性积累的前驱症状可能识别出一个具有更广泛多系统受累的临床有意义亚组。本研究开发了一种可解释的机器学习框架，利用可穿戴惯性步态数据对确诊 PD 内的高回顾性前驱负担进行建模，定义为病史中存在至少三种前驱症状。总共 274 名 PD 个体使用单个腰椎惯性传感器进行了 30 米行走试验。提取了 35 个生物力学和临床变量，特征识别确定了五个关键预测因子：沿三个轴的多尺度熵 (\(\:MSE\))、垂直改进谐波比 (\(\:{iHR}_{v}\)) 和体重。通过基于 CTGAN 的训练集增强平衡的随机森林分类器达到了 0.84 的交叉验证 ROC AUC (\(\:{PR}_{AUC}\) = 0.86, \(\:F1-score\) = 0.76)；在未接触过的真实留出测试集上，区分度为 \(\:{ROC}_{AUC}\) = 0.74 和 \(\:{PR}_{AUC}\) = 0.71，这与需要外部验证的内部开发表型模型一致。可解释性分析表明，\(\:MSE\) 增加和 \(\:{iHR}_{v}\) 降低是高回顾性前驱负担的最强贡献因素，表明步态复杂性升高和时空对称性改变。这些发现描绘了确诊 PD 中与高回顾性前驱负担相关的可解释步态表型，支持将可穿戴步态分析作为 PD 内数字表型分析的工具。