Machine learning rastrearía la gravedad del temblor en pacientes con Parkinson

Una de las características de la enfermedad de Parkinson (EP) son los temblores. Este trastorno del movimiento involuntario reduce la calidad de vida al interrumpir las actividades de los pacientes, como escribir y comer. Los neurólogos miden de forma rutinaria los temblores utilizando la Escala de calificación de la enfermedad de Parkinson unificada (UPDRS), que requiere que los pacientes realicen tareas específicas. Desafortunadamente, esta evaluación se basa en un examen físico en el sitio que solo proporciona una instantánea de la experiencia del temblor del paciente en su vida cotidiana.

Para manejar y tratar los temblores de manera efectiva en pacientes con EP, existe una necesidad urgente de un enfoque que pueda medir continuamente los temblores con precisión sin la necesidad de que los pacientes realicen tareas específicas a medida que realizan sus actividades diarias.

Investigadores de la Facultad de Ingeniería y Ciencias de la Computación de la Florida Atlantic University, en colaboración con la Escuela de Medicina Icahn en Mount Sinai y el Centro Médico de la Universidad de Rochester, están enseñando máquinas para lograr este trabajo. Han desarrollado algoritmos que, combinados con sensores portátiles, pueden monitorear continuamente a los pacientes y estimar el temblor parkinsoniano total a medida que realizan una variedad de movimientos corporales libres en sus entornos naturales.

Los resultados del estudio, publicado en la revista Sensors, indican que este nuevo enfoque tiene un gran potencial para proporcionar un espectro completo de los temblores de los pacientes a lo largo del día.

"Un solo examen clínico en el consultorio de un médico a menudo no logra capturar el continuo completo de temblores de un paciente en su vida diaria de rutina", dijo Behnaz Ghoraani, Ph.D., autor principal, profesor asistente en el Departamento de Computación de la FAU y Ingeniería Eléctrica y Ciencias de la Computación, y miembro del Instituto de Sistemas de Redes Embebidas y Detección de FAU (I-SENSE) y del Instituto del Cerebro de FAU (I-BRAIN). "Los sensores portátiles, combinados con los algoritmos de aprendizaje automático, se pueden usar en el hogar o en cualquier otro lugar para estimar la gravedad de los temblores de un paciente en función de la forma en que se manifiesta en los patrones de movimiento".

La mayoría de los enfoques existentes utilizados hoy en día dependen de las tareas, lo que requiere que los pacientes realicen tareas estandarizadas como las utilizadas en las escalas de calificación. Además, estos enfoques solo proporcionan un rendimiento moderado a bueno debido a las limitaciones en los algoritmos subyacentes para caracterizar los patrones de temblor de los movimientos del cuerpo libre de los pacientes.

Ghoraani y sus colaboradores querían probar la idea de que los algoritmos de aprendizaje automático podían rastrear y cuantificar el temblor en reposo dentro de las actividades de la vida diaria y separar el temblor rítmico de las actividades normales sin la realización de tareas estandarizadas.

Lea también: Las consecuencias de la obesidad en hombres y mujeres

Para el estudio, los investigadores estudiaron la aplicación de dos algoritmos de aprendizaje automático: refuerzo de árbol de gradiente y aprendizaje profundo basado en LSTM. Estos métodos estimaron automáticamente la gravedad del temblor (reposo y acción) utilizando datos de dos sensores de giroscopio colocados en la muñeca y el tobillo más afectados de los pacientes con EP. Recopilaron datos mientras los pacientes realizaban una variedad de actividades, como caminar, descansar, comer y vestirse.

Los resultados del estudio mostraron que el método de impulso del árbol de gradiente estimó el temblor total, así como la sub-puntuación del temblor en reposo con alta precisión y, en la mayoría de los casos, con los mismos resultados estimados usando el UPDRS.

Este método también mostró la disminución de los temblores después de que los pacientes tomaron sus medicamentos, incluso en los casos en que los resultados no coincidían con las puntuaciones bajas totales de temblor de las evaluaciones UPDRS. El método basado en LSTM, por otro lado, proporcionó un rendimiento más bajo.

"Es especialmente interesante que el método que desarrollamos detectó con éxito temblores de manos y piernas usando solo un sensor en la muñeca y el tobillo, respectivamente", dijo Murtadha D. Hssayeni, coautora y doctora. estudiante en el Departamento de Ingeniería Informática y Eléctrica y Ciencias de la Computación de la FAU.

Lea también: Científicas escriben menos en revistas médicas que los hombres

Este nuevo método proporciona el mayor rendimiento entre los métodos dependientes de la tarea UPDRS y todos los métodos de estimación de temblor independientes de la tarea informados en la literatura hasta la fecha.

"Este hallazgo es importante porque nuestro método es capaz de proporcionar una mejor resolución temporal para estimar los temblores y proporcionar una medida del espectro completo de los cambios de temblor a lo largo del tiempo", dijo Ghoraani.

La EP es el segundo trastorno neurodegenerativo relacionado con la edad más común después de la enfermedad de Alzheimer. Se estima que entre 7 y 10 millones de personas en todo el mundo tienen EP. En los Estados Unidos, se cree que alrededor de 1 millón de estadounidenses tienen EP. Cada año, alrededor de 60,000 estadounidenses son diagnosticados con este trastorno y esta estimación no refleja los miles de casos que no se detectan.

"Para los millones de personas en todo el mundo que se ven afectadas por la enfermedad de Parkinson, la profesora Ghoraani y sus colaboradores ofrecen una gran promesa de un enfoque confiable para controlar su gravedad de los temblores en el transcurso de un día típico", dijo Stella Batalama, Ph.D. ., decano de la Facultad de Ingeniería y Ciencias de la Computación de la FAU. "Además, el método que nuestro equipo ha desarrollado proporcionará a los médicos información vital para manejar y tratar eficazmente a sus pacientes con este trastorno".