可解释的三维多尺度运动量化方法实现了运动评估的自动化，并能估算帕金森病的持续时间

《npj Parkinson's Disease》：Explainable 3D multi-scale movement quantification automates motor assessments and estimates Parkinson’s disease duration

　　

摘要

帕金森病（PD）中运动功能障碍的定量评估仍然有限，尤其是在追踪这些功能障碍随时间的变化方面。目前的临床评分系统，包括运动障碍协会统一的帕金森病评分量表（MDS-UPDRS），虽然能够捕捉到重要的临床表现，但将这些表现转化为分类性的、半主观的评分结果。这种手动评分方式不够精确，限制了诊断和预测的准确性，并阻碍了我们对PD功能障碍及其进展的理解。尽管最近有人尝试通过基于传感器的测量和机器学习来改进评分方法，但这些方法仍存在局限性，影响了它们的实用性和临床应用。原则上，基于视频的方法可以实现运动功能的全面定量分析和监测，但以前的方法大多使用不精确的二维运动特征，仅分析单个运动任务，且未考虑疾病的进展。在这里，我们介绍了一种基于同步无标记三维姿态跟踪系统的可解释的定量框架。我们记录了一组帕金森病患者和健康受试者执行的三个常规MDS-UPDRS运动任务，并提取了可在临床层面上解释的运动学特征。这些研究涵盖了精细手部运动、前臂旋转和全身运动等不同的运动子系统，提供了关于PD运动功能的简洁而全面的视图。通过三维姿态数据，我们分析了帕金森病患者与健康受试者之间的运动模式差异，以及随着疾病进展这些模式如何发生变化，从而形成了独特的运动特征。利用结合了多个时空尺度下的三维运动特征的机器学习模型，我们还可以自动分类诊断结果、根据持续时间定义的PD严重程度，并推断出患者自诊断以来的时间。这些结果建立了一个透明的数字生物标志物框架，有望支持未来在临床和研究中对PD的纵向监测。