《Journal of Neural Transmission》：Development and clinical translation of smartphone-based digital biomarkers for Parkinson’s disease: a structured review
帕金森病（Parkinson's disease, PD）的诊断仍是一项重大临床挑战，尤其是在前驱期和临床早期阶段，此时症状较为隐匿，且其表型与其他模拟性疾病重叠。配备惯性、声学、触摸屏和地理定位传感器的智能手机的广泛普及，推动了基于智能手机的数字生物标志物的出现，这些标志物能够捕获PD持续、真实世界的运动与非运动表现。本文旨在批判性评述智能手机衍生的数字生物标志物在PD早期检测及与模拟性疾病鉴别诊断中的验证状态、构念效度、临床应用及纵向监测潜力，同时探讨方法学、监管和实施方面的挑战。本手稿综述了当前关于基于智能手机的主动和被动数字评估用于PD早期诊断和筛查的证据。研究人员检视了临床验证与实施，以及技术进步处理、多模态数字表型和机器学习模型在PD早期检测和筛查中的应用。智能手机衍生的数字标志物展现出检测多种症状和支持PD早期诊断的良好能力。共有30项研究显示此类标志物与既定临床量表存在显著相关性，并提示其在区分PD与其他帕金森综合征及前驱期PD患者方面的实用性。基于临床评估确定了六大类别：8项研究采用基于语音的评估，6项采用基于触摸屏的评估，4项采用视频录制评估，4项采用基于惯性测量单元的评估，7项采用多模态评估方法，1项采用基于问卷的智能手机评估。然而，仍然存在诸多实质性局限性，包括设备和方案异质性、外部验证有限、数据集规模小、算法偏差、可解释性不足以及报告标准不一致。基于智能手机的数字生物标志物为提高PD诊断准确性提供了一种有前景的方法，并正成为精准神经病学和可扩展PD护理的前沿领域。然而，这些发现存在若干局限性，应谨慎解读。未来研究应优先开展多中心纵向验证、多模态整合、可解释人工智能和真实世界部署，以建立具有临床可操作性的数字生物标志物，用于PD早期检测和鉴别诊断。帕金森病的诊断仍是一项重大临床挑战，尤其是在前驱期和临床早期阶段，此时症状较为隐匿，且其表型与其他模拟性疾病重叠。配备惯性、声学、触摸屏和地理定位传感器的智能手机的广泛普及，推动了基于智能手机的数字生物标志物的出现，这些标志物能够捕获PD持续、真实世界的运动与非运动表现。本文旨在批判性评述智能手机衍生的数字生物标志物在PD早期检测及与模拟性疾病鉴别诊断中的验证状态、构念效度、临床应用及纵向监测潜力，同时探讨方法学、监管和实施方面的挑战。本手稿综述了当前关于基于智能手机的主动和被动数字评估用于PD早期诊断和筛查的证据。研究人员检视了临床验证与实施，以及技术进步处理、多模态数字表型和机器学习模型在PD早期检测和筛查中的应用。智能手机衍生的数字标志物展现出检测多种症状和支持PD早期诊断的良好能力。共有30项研究显示此类标志物与既定临床量表存在显著相关性，并提示其在区分PD与其他帕金森综合征及前驱期PD患者方面的实用性。基于临床评估确定了六大类别：8项研究采用基于语音的评估，6项采用基于触摸屏的评估，4项采用视频录制评估，4项采用基于惯性测量单元的评估，7项采用多模态评估方法，1项采用基于问卷的智能手机评估。然而，仍然存在诸多实质性局限性，包括设备和方案异质性、外部验证有限、数据集规模小、算法偏差、可解释性不足以及报告标准不一致。基于智能手机的数字生物标志物为提高PD诊断准确性提供了一种有前景的方法，并正成为精准神经病学和可扩展PD护理的前沿领域。然而，这些发现存在若干局限性，应谨慎解读。未来研究应优先开展多中心纵向验证、多模态整合、可解释人工智能和真实世界部署，以建立具有临床可操作性的数字生物标志物，用于PD早期检测和鉴别诊断。
引言
帕金森病（Parkinson's disease, PD）通常在临床确诊前很久就已开始，这创造了一个关键的时间窗口，在此窗口内细微的运动和非运动变化可能被检测到，但在常规临床评估中仍然难以捕获。尽管诊断技术不断进步，但由于临床表现的异质性以及与老年人年龄相关改变和其他模拟PD疾病的频繁重叠，PD的早期诊断仍然困难。PD具有多个阶段，从诊断前阶段（即诊断之前的时期）到临床阶段（范围从早期到晚期PD）。然而，PD临床诊断之前的时期已被多个术语描述，包括诊断前、临床前和前驱期PD。尽管这些术语有时可互换使用，但它们代表了疾病的不同阶段。诊断前PD广义上指正式诊断之前的时期，包括早期特征和多种风险及保护因素，而临床前PD则指神经退行性变已经开始的无症状阶段。前驱期PD描述了在PD诊断之前存在早期非运动和细微运动症状的阶段，但这些症状尚不符合PD的诊断标准。尽管前驱期PD并未涵盖整个诊断前时期，但它是文献中使用最广泛的术语，因此在本手稿中通篇使用。因此，在PD的前驱期和早期阶段，当运动迟缓、震颤、"面具脸"、步态问题和声音变化可能非常细微且不符合既定诊断标准时，诊断可能不确定。在诊断准确性方面，运动障碍专科医生比其他医生做出更准确的诊断，但在高达16%的患者随访中发现了错误诊断。因此，在现实世界的非专科医疗环境中，传统神经学评估严重依赖多次门诊就诊，但仍然表现出较高的误诊率，尤其是对于震颤综合征。
智能手机的全球快速普及创造了一个可扩展的持续数字表型分析平台。现代智能手机集成了多种嵌入式传感器，包括加速度计、陀螺仪、麦克风、触摸屏和地理定位系统（如全球定位系统；GPS），这可能有助于量化神经疾病（包括PD）中的运动和行为特征。这些智能手机衍生的数字标志物可以通过结构化任务主动或被动地捕获，从而可能实现更早的检测和纵向监测。
尽管大量研究已展示出有前景的诊断和监测性能，但在验证和临床实施方面仍存在重大挑战。本手稿批判性地评述了基于智能手机的PD诊断数字标志物的当前格局，重点关注早期临床检测、技术应用、验证框架和转化考虑因素。
用于PD早期检测的智能手机数字标志物结构化综述
检索策略
于2026年5月22日在PubMed数据库中进行文献检索，以识别评估使用智能手机或移动电话技术进行PD筛查、检测或诊断的研究。由于检索仅限于单一数据库PubMed，而非跨多个数据库进行，研究人员将本研究称为"结构化综述"。检索策略的设计包含三个主要概念：（1）帕金森病，（2）智能手机/移动电话技术，以及（3）PD筛查或诊断结果。对于第一个概念，使用自由文本关键词"Parkinson's disease"和"Parkinson"，识别出114,519条记录。第二个概念聚焦于基于智能手机的技术，包括关键词"Smartphone"和"Mobile phone"。这些术语也作为自由文本关键词进行检索，识别出27,626条记录。第三个概念针对与筛查、检测、诊断和生物标志物评估相关的研究。纳入关键词"detect*"、"diagnosis"、"screen*"和"biomarker"，以捕获与诊断评估和疾病识别相关的术语变体。该部分产生了5,043,409条记录。最终检索策略使用布尔运算符AND组合所有三个概念，以确保检索到的研究同时涉及PD、智能手机/移动电话技术以及诊断或筛查结果。此外，应用了人类研究和英文出版物的过滤器，以提高所检索文献的相关性和可及性。还进行了额外的手动检索以确保数据完整性。最终检索识别出182条记录进行标题和摘要筛选。详细的PubMed检索策略见补充表S1。
资格标准
纳入标准
研究纳入本结构化综述需满足以下所有标准：
1. 纳入确诊为PD的参与者，最小样本量为两名患者。
2. 使用移动电话或智能手机作为主要检测或评估设备，无需来自额外外部设备的输入数据。
3. 报告与PD检测或诊断相关的诊断性能结果，包括灵敏度、特异性、F1分数、曲线下面积（area under the curve, AUC）或其他诊断准确性指标。
4. 至少有两名PD参与者的研究符合条件。该标准用于排除个别病例报告，同时保留与该新兴领域相关的小型概念验证研究。
排除标准
研究如符合以下任何标准则被排除：
1. 会议论文、预印本、综述文章或系统综述。
2. 无法获取或无法获得全文的文章。
研究选择
经过资格评估，30项研究满足所有纳入标准，被纳入综述的定性综合。这些研究构成了评估基于智能手机方法检测和评估PD诊断效用的证据基础。研究选择分两个阶段进行。首先，两名独立评审员根据预定义的资格标准筛选标题和摘要。其次，两名评审员（OP和SY）独立评估潜在符合条件研究的全文。分歧通过讨论或咨询第三名评审员（RB）解决。
方案注册
本结构化综述按照系统综述和荟萃分析首选报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA）2020指南进行。综述方案已在PROSPERO注册（CRD420261416468）。
数据综合
鉴于研究设计、干预措施、结局指标和报告的异质性，未进行定量荟萃分析。相反，研究结果以叙述性方式综合。结果按干预和结局领域分组，包括运动症状、非运动症状（non-motor symptoms, NMS）和运动并发症。在适当的情况下，跨研究总结了研究结果的一致性和可用证据水平。
研究选择（PRISMA 2020）
文献选择过程总结于PRISMA流程图（图1）中。初步通过数据库检索识别出182条记录，全部来自PubMed和额外的手动检索。未通过其他来源识别出额外记录，也未检测到重复记录；因此，所有182条记录进入筛选阶段。在标题和摘要筛选过程中，127条记录因不符合预定义的纳入标准而被排除。其余55篇报告被寻求全文检索。其中，9篇报告尽管尝试获取全文但仍无法检索到，剩余46篇报告可用于详细资格评估。全文审查导致16篇报告被排除。排除的主要原因是缺乏PD诊断准确性结果，占15项研究。另外一项研究被排除，因为移动电话未被用作主要检测或评估设备，这与综述的范围不符。经过资格评估，最终有30项研究满足所有纳入标准，被纳入综述的定性综合。这些研究构成了评估基于智能手机方法检测和评估PD诊断效用的证据基础。30项选定的研究根据临床评估和技术评估被分为六大类别，用于PD的早期检测。这些类别包括基于语音的评估（8项研究）、基于触摸屏的评估（6项研究）、视频录制评估（4项研究）、基于惯性传感器的评估（4项研究）、多模态评估方法（7项研究）和基于问卷的智能手机评估（1项研究）。
结果
为提高清晰度，研究结果从两个互补的角度呈现。基于临床评估的结构化综述结果部分总结了纳入研究的临床特征、预期临床应用、评估环境和主要临床发现。已证实的实施指在原始研究中直接评估的用途，而潜在应用指尚未经过直接临床或现实世界评估的拟议用途。基于技术评估细节的结构化综述结果部分聚焦于技术和方法学特征，包括智能手机平台、传感模式、数据采集协议、特征提取、分析算法和验证策略。这种结构将临床解释与技术开发分开，同时最大限度地减少重复。
基于临床评估的结构化综述结果
30项选定研究根据每项研究采用的评估策略被分为六大类别。这些类别包括基于语音的评估（8项研究）、基于触摸屏的评估（6项研究）、视频录制评估（4项研究）、基于惯性传感器的评估（4项研究）、多模态评估方法（7项研究）和基于智能手机问卷的评估（1项研究）。
基于语音的智能手机PD评估
基于语音的评估是研究最广泛的智能手机支持的PD早期检测和监测方法之一。在亚洲、欧洲、澳大利亚和北美进行的八项横断面研究中，智能手机录制的语音 consistently 区分了PD患者与健康对照者、患有诊断前PD的个体以及其他帕金森病患者。Lim等人评估了来自韩国和台湾的646名参与者，包括早期和晚期PD患者及健康对照者，并证明包含声学和语言学特征的跨语言语音模型尽管存在语言背景差异仍实现了高诊断准确性。然而，语言不平衡、未评估的方言变异以及排除定性语音特征限制了普遍性。Carrón等人检测了60名参与者，包括PD患者和健康对照者，使用来自西班牙受控环境下的录音和mPower研究的现实世界录音。该研究发现，在受控录音条件下的诊断性能显著更高，突显了环境噪声和录音变异性对模型准确性的影响。类似地，Pah等人分析了来自哥伦比亚和澳大利亚的语音数据集，报告源自持续元音发声的表观声道长度（apparent vocal tract length, VTL）特征能够区分PD患者和对照者，提示声道控制异常可能比传统声门振动测量更具信息性。然而，该研究仅限于两个数据集，未评估药物相关效应对语音的影响。
人工智能的最新进展进一步增强了基于语音的数字生物标志物的性能。Tougui等人利用了包含1,841名参与者的大型mPower队列，包括PD患者和健康对照者，并证明基于Transformer的迁移学习架构在PD分类方面优于先前的纯语音和多模态方法。尽管该模型报告了高判别性能，但解释基于Transformer的系统仍具挑战性，需要在外部数据集上进一步验证。两项研究专注于通过智能手机语音分析识别患有孤立性快速眼动睡眠行为障碍（isolated REM sleep behavior disorder, iRBD）的前驱期PD患者。Illner等人评估了72名患有早期PD、孤立性REM睡眠行为障碍（iRBD）和健康对照的个体，证明被动语音通话监测结合主动阅读任务能有效检测iRBD中的早期帕金森语音异常。类似地，Rusz等人评估了110名参与者，包括新诊断、未治疗的PD患者和iRBD个体，发现语音时间和单调音高生物标志物成功将两组与健康对照者区分开来，支持智能手机语音评估在前驱期疾病检测中的实用性。两项研究均强调了语音生物标志物在明显运动症状出现前识别高风险个体的潜力，尽管参与者人口统计学特征、录音条件和设备特定因素可能影响了结果。
另外两项大规模远程医疗研究进一步支持了智能手机语音分析的临床适用性。Singh等人分析了来自mPower研究的1,000个语音样本（分为800个训练和200个测试样本），包括PD患者和健康对照者，并证明梅尔频率倒谱系数（Mel-frequency cepstral coefficient, MFCC）特征与径向基函数支持向量机分类相结合，能准确区分PD患者和健康对照者。一致地，Worasawate等人分析了来自4,051名参与者的29,798条语音录音，包括PD患者和健康对照者，并表明使用其提出的模型对一秒持续元音录音进行智能手机分析能够区分PD患者和健康对照者。尽管持续元音任务可能无法完全反映日常语音障碍的复杂性，且短暂录音可能无法捕获所有与疾病相关的异常，但这些研究证明了基于智能手机的语音生物标志物在人群水平筛查中的可扩展性和实用性。总体而言，证据表明基于语音的评估是一种非侵入性、廉价、可扩展且兼容远程医疗的方法，支持PD的远程筛查和前驱期识别。然而，由于纳入的研究主要为横断面设计，在基于语音的标志物可被确立用于早期诊断和常规疾病监测之前，还需要进一步的纵向验证。
基于触摸屏的智能手机PD评估
基于触摸屏的评估已成为一种有前景的PD智能手机衍生数字生物标志物，特别是在检测日常移动设备交互过程中发生的细微运动障碍方面。在希腊、韩国、中国、美国以及来自欧洲和澳大利亚的多国队列中进行的六项横断面研究中，研究人员调查了智能手机打字行为、手指敲击表现和绘图任务作为早期和已确诊PD中运动功能障碍的客观测量指标。
Iakovakis等人评估了33名参与者，包括18名早期PD患者和15名健康对照者，并证明触摸屏打字动力学，包括自然智能手机使用过程中收集的按键时间和压力特征，能够区分PD患者和对照者。这些发现表明，细微的精细运动异常可以在日常打字活动中 unobtrusively 捕获。然而，小样本量和相对较短的药物洗脱期限制了结果的解读。
在这些发现的基础上，Iakovakis等人将深度学习技术应用于通过多国iPrognosis项目收集的触摸屏打字数据，涉及39名参与者，包括22名PD患者和17名健康对照者，以及253名个体的远程验证队列。该研究表明，智能手机打字行为能够准确识别早期和初治（de novo）PD患者的细微精细运动障碍，并显示出与常规临床运动评估的高度一致性。然而，局限性包括临床特征化样本相对较小、验证队列中依赖自我报告的人口统计学信息，以及许多远程纳入参与者缺乏详细临床数据。
类似地，Arroyo-Gallego等人调查了44名参与者（包括21名PD患者和23名健康对照者）的触摸屏打字行为。他们的发现表明，按键动力学能够准确区分PD患者和对照者，并实现了与既定运动评估相当的诊断性能。该研究突显了智能手机打字模式如何在不需要专门测试程序的情况下捕获细微运动缺陷。这种方法通过用户的智能手机提供被动监测的显著实际优势，支持基于家庭的高频运动症状评估。
在打字分析之外，Lee等人评估了一项基于智能手机的手指敲击应用程序，涉及144名参与者，包括57名PD患者和87名健康对照者。该研究表明，智能手机衍生的手指敲击指标客观量化了运动迟缓，并与既定的运动严重程度临床测量高度相关。诊断性能与常规机械敲击评估相当，支持基于智能手机的定量运动评估的有效性。然而，该研究受限于相对较小的队列、有限的未用药患者数量以及缺乏药物效应评估。然而，该应用程序便携、用户友好，适用于临床和社区环境，支持其在PD运动症状远程和纵向监测中的应用。
此外，Zhu等人通过利用智能手机分析涉及螺旋和波浪的绘图任务，将基于触摸屏的评估扩展到打字和敲击之外。在58名参与者（包括28名早期PD个体和30名健康对照者）的队列中，该模型通过识别绘图任务中手指运动轨迹的时空异常实现了高诊断准确性。该研究发现，使用基于智能手机绘图任务的混合深度学习模型对早期PD实现了高诊断准确性，使得远程医疗兼容、低成本的远程评估成为可能。然而，局限性包括数据集之间的绘图比例差异和智能手机之间潜在的传感器异质性，这影响了信号质量。
最后，Surangsrirat等人探讨了是否可以使用基于智能手机的手指敲击活动远程评估PD严重程度。利用mPower研究中1,851名参与者的数据，研究人员表明，在移动设备上收集的敲击行为可以将患者区分为三个严重程度组，这些组在MDS-UPDRS I-II和PDQ-8评分上存在差异。这些发现表明，基于智能手机的敲击测试可以在不需要门诊就诊的情况下实现PD严重程度的远程、客观监测。
总体而言，证据表明基于触摸屏的评估提供了一种非侵入性、低成本和高度可及的方法来检测PD中的运动功能障碍。跨研究表明，打字行为、手指敲击和绘图表现的智能手机衍生测量 consistently 识别出细微的运动异常，将PD患者与健康对照者区分开来，并与既定的临床评估相关。基于触摸屏技术的主要优势包括被动数据收集、隐私保护、便携性、远程医疗兼容性以及适合频繁的家庭监测。
视频录制评估：智能手机PD评估
视频录制评估已成为一种有前景的智能手机支持的PD运动功能障碍客观评估方法，特别是通过将计算机视觉和深度学习算法应用于视频录制的运动迟缓评估。在英国和泰国进行的四项横断面研究中，研究人员评估了来自PD患者队列的智能手机录制手指敲击视频。
Yang等人使用直接应用于智能手机视频的深度学习算法调查了77名参与者，包括40名PD患者和37名健康对照者。该研究成功区分了PD患者和健康对照者的10秒手指敲击视频，无需依赖预定义的运动特征。尽管该研究受限于用于深度学习开发的视频数量相对较少，但它证明了强大的临床可行性和对远程医疗及远程筛查应用的适用性。
Kasemsap等人进一步评估了基于计算机视觉的评估在100名泰国人群中的效用，包括53名PD患者和47名健康对照者。大多数PD患者具有轻度疾病严重程度，并报告了轻度手指敲击障碍。使用机器学习算法仅分析智能手机上录制的10秒双侧手指敲击视频，该研究准确检测了运动迟缓并区分了PD患者和对照者。研究人员证明，视频衍生的运动特征可以在不需要专用传感器或设备的情况下提供细微运动迟缓的客观测量。该研究突显了多种实施优势，包括缩短录音方案以减少患者疲劳、无需停用药物，以及支持自动视频上传和分析的基于网络的平台，从而增强了可及性和可扩展性。
类似地，Simonet等人开发了重复敲击慢动作分析（Slow Motion Analysis of Repetitive Tapping, SMART）测试，并评估了99名参与者，包括26名早期PD个体、64名健康对照者和9名特发性嗅觉丧失受试者。使用智能手机慢动作视频录制，作者证明敲击速度降低和频率递减增加是检测细微运动迟缓的敏感标志物，并成功区分了PD患者和健康对照者。该研究突显了无传感器方法、低成本和适合大规模筛查的优势，支持其在早期诊断和远程监测中的潜在作用。
Williams等人 consistently 探索了不同的计算机视觉方法，将光流分析应用于从35名参与者获得的智能手机手指敲击视频，产生70个分析的手部录音，包括40只PD手和30只对照手。该研究表明，可以使用标准智能手机视频在不需要专用硬件或环境控制的情况下进行客观运动评估，并且准确识别了运动迟缓，与专家评估相当。尽管存在小样本量和PD诊断准确性低于运动迟缓分类的局限性，该系统可能具有在专科诊所之外进行家庭监测和重复纵向评估的潜力。
总体而言，这些研究表明，智能手机视频录制评估提供了一种准确、非接触且高度可及的方法来量化细微的帕金森特征，特别是运动迟缓。计算机视觉和深度学习算法识别了手指敲击表现中临床相关的异常，在某些研究中诊断准确性接近专家评分者。然而，研究间性能存在差异，当前证据主要限于小规模横断面队列中的手指敲击（运动迟缓）。
基于惯性传感器的智能手机PD评估
基于惯性传感器的评估利用智能手机中嵌入的加速度计和运动传感器来客观量化PD中的异常运动信号，包括步态障碍、震颤和精细运动功能障碍。在欧洲、澳大利亚和美国进行的四项横断面研究中，研究人员探讨了智能手机衍生的惯性传感器数据在PD队列中的诊断效用。
Papadopoulos等人进行了一项在i-PROGNOSIS项目内的跨国研究，涉及来自德国、希腊、葡萄牙、英国、西班牙、奥地利和澳大利亚的参与者。该研究利用了包含22名参与者（14名PD患者和8名健康对照者）的临床验证数据集和包含157名参与者（26名PD患者和131名健康对照者）的大型现实世界数据集。通过利用智能手机惯性传感器在多模态深度学习框架内结合被动加速度计信号和触摸屏打字动力学，作者证明在受控和现实世界条件下检测PD、震颤和精细运动障碍方面具有高性能。这种方法展示了卓越的可行性，因为监测是在日常智能手机使用过程中被动进行的，无需专用运动任务或额外硬件。
一致地，He等人进一步利用大型mPower数据集探讨了智能手机惯性传感器在早期PD检测中的效用。他们的研究包括586名参与者，包括119名早期PD患者和467名健康对照者。使用NeuroEnhanceNet（一种设计用于分析行走和静息条件下运动的深度学习架构），作者证明惯性传感器信号能够准确区分早期PD患者和对照者。该研究突显了智能手机衍生的运动数据作为可访问的数字生物标志物在显著临床进展前检测细微帕金森症状的潜力。
Juutinen等人专注于使用智能手机惯性传感器进行步态评估，包括58名参与者，29名PD患者和29名健康对照者。所有参与者携带智能手机完成了简单的20步步行测试，机器学习算法基于步态相关传感器特征成功区分了PD患者和对照者。研究结果表明，使用机器学习模型解读20步步行测试的智能手机惯性传感器数据可以以良好的诊断性能区分PD患者和健康对照者。该研究强调了基于智能手机的步态分析作为专用可穿戴设备的低成本、非侵入性替代方案的实用性，并突显了其在家居监测和纵向症状评估中的潜力。
Kostikis等人调查了45名参与者（包括25名PD患者和20名健康对照者）中基于智能手机的震颤评估。使用基于智能手机的加速度计衍生的运动信号和机器学习分类方法，该研究表明智能手机惯性传感器能够准确量化帕金森手部震颤并以高诊断准确性区分PD患者和对照者。该系统提供了客观的震颤测量，可支持治疗反应监测，从而实现基于家庭的震颤监测的远程医疗应用。
总体而言，这些研究表明基于惯性传感器的智能手机评估提供了一种稳健且临床可行的方法来检测和监测细微的帕金森症状。通过利用消费智能手机中已嵌入的加速度计和运动传感器，这些方法无需专用可穿戴设备，同时能够客观评估步态异常、震颤和精细运动障碍。
多模态智能手机PD评估
多模态评估是基于智能手机的PD检测和监测最全面的方法之一，因为它整合了多种数字生物标志物，包括步态、震颤、语音、平衡、手指敲击、反应时间和被动行为指标。与单模态方法不同，多模态系统同时捕获PD的多种表现，可能提高诊断准确性并表征疾病。在包括中国和英国在内的跨国队列中进行的七项横断面研究中，研究人员证明，智能手机衍生的多模态特征与机器学习算法相结合，能够准确识别PD、估计PD疾病严重程度，并区分PD患者与健康对照者以及前驱期PD患者（如特发性RBD（iRBD）患者）。
Chen等人使用来自两项独立智能手机远程监测研究的数据评估了72名参与者（37名PD患者和35名健康对照者）。研究人员开发了一个机器学习框架，整合了通过智能手机传感器收集的多种行为特征，并证明能够准确区分PD患者和健康对照者，同时估计疾病严重程度。该研究突显了结合主动测试和被动监测以捕获比单一任务评估更广泛的疾病表现谱的价值。该研究为使用消费智能手机进行远程家庭疾病评估提供了有力证据，并为自动化疾病分类和远程随访奠定了基础。
Guo等人进一步在更大规模的392名参与者队列（包括282名PD患者和110名健康对照者）中研究了多模态智能手机评估。该研究表明，整合智能手机衍生的多模态特征的机器学习模型能够准确预测MDS-UPDRS第三部分运动评分，并有效区分未治疗的PD患者和健康个体。重要的是，直接从智能手机评估中估计运动严重程度的能力表明，多模态数字生物标志物最终可能补充或部分替代常规临床评估。该研究展示了远程定量评估运动症状和早期疾病检测的巨大前景。
Arora等人进行了最大的多模态研究，涉及522名参与者，包括334名PD患者、104名iRBD患者和84名健康对照者。参与者完成了一项基于智能手机的测试，评估语音、震颤、步态、平衡、手指敲击和反应时间。该研究表明，多模态数字生物标志物能够准确区分已确诊PD、前驱期PD（如iRBD）和健康对照者。该研究表明，配备传感器的消费级智能手机可以支持在家庭和临床环境中进行客观、重复的评估，使多模态监测具有高度可扩展性和临床相关性。
He等人提出了一种基于智能手机的医学物联网系统，用于使用多传感器和多活动数据（包括行走、敲击和语音活动）进行早期PD检测。通过利用内置智能手机传感器（加速度计、陀螺仪、触摸屏和麦克风），该系统实现了远程、非侵入性和经济高效的患者监测。该基于智能手机的医学物联网系统展示了早期PD筛查和减少漏诊的潜在益处。
Lee等人内部评估了一款旨在使用简单手部灵巧性任务评估PD运动功能的智能手机应用程序，包括敲击、手部旋转、震颤跟踪和使用蒙特利尔认知评估（MOCA）及维多利亚斯特鲁普测试（VST）的认知干扰测试。该应用程序在103名PD患者中对照标准MDS-UPDRS-III运动评估进行了评估，并显示出与临床运动评分的显著相关性，支持其作为远程监测工具的潜力。患者报告了高满意度，超过90%的人认为该应用程序有用，97%的人对类似的未来计划感兴趣。
Zhang等人开发了PDMotion，一个包含11项PD数字运动评估的智能手机平台，包括改编自MDS-UPDRS第三部分的任务和新颖的数字测试。使用50名PD患者和29名健康对照者的数据，该平台被评估用于远程分类和严重程度评估。该系统在区分PD与健康对照者方面实现了87.8%的准确率，在分类Hoehn和Yahr严重程度分期方面实现了71.5%的准确率，证明了在传统临床环境之外进行基于移动的PD运动症状监测和评估的可行性。
最后，Bhidayasiri等人评估了CheckPD智能手机筛查应用程序在泰国10个省份的全国推广。该研究介绍了CheckPD，一个包含数字测试的移动应用程序，包括多项基于触摸屏的测试、语音录制、震颤和行走，用于PD运动症状的远程评估。该计划实现了超过30,000次应用程序下载和13,381次完成的筛查，提供了大规模预测性能的现实世界证据。在完成筛查的参与者中，1,761人（13.2%）被分类为PD风险人群，其中730人随后接受了神经科医生评估。临床评估确认593人患有PD，产生了高阳性预测值。这些发现表明，在社区健康志愿者、公共卫生意识宣传活动和医疗系统整合的支持下，大规模PD数字筛查是可行且有效的。
总体而言，这些研究表明，多模态智能手机评估提供了一种全面、临床信息丰富的PD检测、监测和严重程度评估方法。通过将多个行为域和运动域整合到单一分析框架中，多模态系统 consistently 实现了强大的诊断性能，并提供了比单模态评估更完整的疾病表现表征。
基于问卷的智能手机PD评估
基于问卷的智能手机评估是最简单且最可及的PD筛查智能手机策略，因为它依赖于患者报告的症状而非传感器衍生的运动测量。与基于语音、触摸屏、视频录制或惯性传感器的方法不同，基于问卷的方法可以在不需要专用硬件、技术专业知识或主动执行任务的情况下实施，使其对大规模人群筛查和远程医疗应用特别有吸引力。
Brenner等人的研究提供了重要证据，支持智能手机管理的非运动症状（NMS）问卷作为PD数字诊断工具的潜在作用。这项横断面研究包括489名参与者，包括276名PD患者、124名鉴别诊断患者和89名健康对照者。该研究表明，通过智能手机收集的自我报告NMS症状谱能够准确区分PD患者和健康对照者，并合理地区分PD与其他鉴别诊断组。这些发现突显了NMS的重要诊断价值，NMS通常先于经典运动表现出现，且在常规临床实践中经常未被充分认识。
因此，该研究表明，即使没有客观的传感器衍生测量，自我报告的症状数据也能提供有意义的诊断信息。总体而言，尽管当前证据基于单一研究，但它表明基于智能手机的问卷评估是一种可行、可扩展且临床相关的PD筛查和诊断支持方法。尽管目前其证据基础比其他智能手机衍生模态更有限，但其简单性、可及性和低实施负担使基于问卷的评估特别适合作为初始筛查工具或更广泛数字健康生态系统中的辅助组成部分。
基于技术评估细节的结构化综述结果
30项选定研究根据PD早期检测的技术评估被分为六大类别。这些类别包括多种模态，包括基于语音的评估（8项研究）、基于触摸屏的评估（6项研究）、视频录制评估（4项研究）、基于惯性传感器的评估（4项研究）、多模态评估方法（7项研究）和基于问卷的智能手机评估（1项研究）。为将该部分与基于临床评估的结构化综述结果部分中呈现的临床视角区分开来，以下综合主要聚焦于传感技术、数据采集协议、提取特征、分析流程、机器学习和深度学习架构以及方法学考量。
PD中基于语音模态的技术评估
基于语音的评估是研究最频繁的PD智能手机检测方法，占纳入研究的八项。智能手机麦克风主要用于录制持续元音发声、阅读段落、音节重复、自发语音，以及在某些研究中对日常电话通话的被动录音。这些采集方法使得提取可能反映PD相关运动言语障碍的声学和时域语音特征成为可能。
从方法论的角度来看，这些研究采用了两种主要分析策略：使用手工制作声学特征的传统机器学习和基于学习信号表示的深度学习方法。Lim等人开发了一个跨语言语音分析框架，使用智能手机录制的语音和机器学习分类器，包括随机森林、支持向量机（Support Vector Machine, SVM）和AdaBoost。提取了语音特征，包括音高方差、语速、暂停百分比和词错误率，早期PD检测的AUROC为0.82，晚期PD为0.90。此外，长语音录音和多语言模型显示出比短录音和单语言模型更高的诊断性能。类似地，Carrón等人分析了用智能手机麦克风录制的持续元音发声，并提取了传统语音特征，包括抖动、 shimmer、谐波噪声比（harmonics-to-noise ratio, HNR）、倒谱峰值突出度（cepstral peak prominence, CPP）和梅尔频率倒谱系数（MFCCs）。重要的是，他们对受控和现实世界录音环境的比较表明，环境变异性可以显著影响模型稳健性，强调了采集条件在智能手机语音分析中的重要性。
Pah等人专注于识别与PD相关的特定语音生物标志物，并使用声学分析软件检查持续元音录音，发现表观声道长度（VTL）特征为PD检测提供了最强的判别力，优于传统的抖动和shimmer测量。Rusz等人研究了单调音高语音、语音时间和暂停相关特征，而Illner等人将语音评估从结构化任务扩展到日常电话通话的被动监测，并结合主动阅读任务。这些研究表明，智能手机语音分析可以超越传统的发声测量，包括时间、发音和被动纵向语音生物标志物。
最近的研究已转向表示学习和基于频谱图的深度学习架构。Tougui等人应用了基于Transformer架构的迁移学习，包括音频频谱图Transformer（Audio Spectrogram Transformer, AST），对在现实世界环境中收集的自我报告智能手机语音录音进行分析。语音信号被转换为log-Mel频谱图，AST模型以95.89%的AUC实现了优越性能，优于卷积神经网络（convolutional neural network, CNN）和传统机器学习方法。类似地，Worasawate等人将持续元音录音转换为基于短时傅里叶变换（short-time Fourier transform, STFT）的频谱图，并评估了几种CNN架构。其中，VGGNet-16以99.3%的准确率实现了最高精度，其次是ResNet-50（98.6%）和LeNet-5（97.7%）。这些发现表明，基于频谱图的深度学习方法可以有效捕获与PD相关的细微语音异常。
纳入研究中报告的最高性能由Singh等人实现，他们结合了MFCC特征提取、基于L1的特征选择和径向基函数SVM分类器来分析通过智能手机收集的持续发声录音。他们的方法实现了99.0%的准确率，这应在可能的过拟合背景下考虑，并优于几种替代机器学习和深度学习模型。总体而言，这些方法说明了从手动设计的声学描述符向自动化表示学习和混合特征选择流程的方法学转变。
总体而言，基于语音的智能手机评估受益于广泛可用的麦克风硬件、相对简单的数据采集和低参与者负担。在技术上，该领域正在从手工制作的声学特征流程转向深度学习、基于Transformer的架构以及被动或自然主义数据收集。然而，环境噪声、麦克风变异性、录音距离、语言和任务持续时间仍然是关键的方法学因素。因此，未来的发展应优先考虑对现实世界变异性的稳健性、跨设备和跨语言的普遍性、标准化采集方案和外部验证。
PD中基于触摸屏模态的技术评估
基于触摸屏的评估是另一种重要的智能手机支持的量化与运动迟缓、强直、震颤和精细运动控制障碍相关的细微运动异常的方法。六项纳入研究使用触摸屏交互在打字、敲击或绘图活动期间收集数据。该模态的一个主要技术优势是可以在不需要额外传感硬件的情况下，直接从常规智能手机交互或简单的结构化任务中获取运动信息。
这些研究可以大致分为被动打字分析和主动触摸屏运动任务。Iakovakis等人开发了一个两阶段机器学习框架，使用Android触摸屏智能手机
