DOI: https://doi.org/10.1038/s41746-024-01311-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39638907
تاريخ النشر: 2024-12-05
المؤلف: Charalampos Sotirakis وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تتناول هذه الدراسة خطر السقوط المتزايد لدى الأفراد المصابين بمرض باركنسون (PD)، والذي يمكن أن يؤدي إلى إصابات كبيرة وتدهور جودة الحياة. تؤكد على ضرورة إجراء تقييمات دقيقة لخطر السقوط، مشيرة إلى أن الطرق التقليدية غالبًا ما تكون ذات طابع ذاتي وتتطلب جهدًا كبيرًا. تستكشف الأبحاث فعالية تقييم قصير يعتمد على المستشعرات في التنبؤ بالسقوط على مدى فترة تصل إلى خمس سنوات، مقارنة بالطرق السابقة التي كانت محدودة بمتابعات لمدة عام واحد.
تم جمع البيانات من 104 مشاركين مصابين بمرض باركنسون الذين لم يتعرضوا لسقوط سابق، باستخدام ستة مستشعرات قابلة للارتداء خلال مهمة المشي لمدة دقيقتين ومهمة توازن لمدة ثلاثين ثانية. تم استخدام خمسة مصنفات تعلم آلي لتحليل البيانات، حيث حقق مصنف الغابة العشوائية أعلى أداء، محققًا دقة بنسبة 78% ومنطقة تحت المنحنى (AUC) تبلغ 0.85 عند علامة 60 شهرًا. ومن الجدير بالذكر أن معظم النماذج أظهرت أداءً قويًا عند 24 شهرًا (AUC > 0.90، دقة تتراوح بين 84-92%). تضمنت المؤشرات الرئيسية لخطر السقوط مقاييس المشي وتغير الوضع، مع دمج البيانات السريرية والديموغرافية، وخاصة العمر، مما زاد من دقة النموذج. تشير النتائج إلى أن دمج المستشعرات القابلة للارتداء مع تقنيات التعلم الآلي يمكن أن يحسن بشكل كبير من توقع خطر السقوط، مما يساهم في تحسين استراتيجيات الإدارة والوقاية للأفراد المصابين بمرض باركنسون.
الطرق
يستعرض قسم “الطرق” في ورقة البحث الأساليب التجريبية والتحليلية المستخدمة للتحقيق في أسئلة البحث. يوضح اختيار المشاركين، وتصميم الدراسة، والإجراءات المحددة المتبعة خلال جمع البيانات. كما يتم وصف المنهجيات المستخدمة في تحليل البيانات، بما في ذلك الاختبارات الإحصائية والنماذج الحاسوبية، لضمان إمكانية التكرار والشفافية.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن الأدوات والتقنيات المستخدمة، مثل البرمجيات لمعالجة البيانات أو أدوات قياس محددة. كما يتم تناول الاعتبارات الأخلاقية المتعلقة بموافقة المشاركين ومعالجة البيانات، لضمان الامتثال للإرشادات ذات الصلة. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم نتائج الدراسة.
النتائج
في هذه الدراسة، استخدم المؤلفون بيانات وحدة القياس بالقصور الذاتي (IMU) من تقييم أساسي للتنبؤ بحالة السقوط المستقبلية بين 104 مشاركين عند 24 و60 شهرًا. بحلول متابعة 24 شهرًا، تعرض 13 مشاركًا للسقوط، وزاد العدد إلى 23 بحلول 60 شهرًا. ركز التحليل على تحديد الميزات الرئيسية التي تميز الساقطين عن غير الساقطين، مع نتائج مهمة تتعلق بالمشي وتغير الوضع.
تم إجراء اختيار الميزات باستخدام اختبار مان-ويتني U، مصحح لمعدل اكتشاف خاطئ بنسبة 1% (FDR). أشارت النتائج إلى أن التغير في مقاييس المشي – مثل مراحل دعم الساق الواحدة والمزدوجة، ومدد مرحلة التأرجح والدعم المزدوج النهائي، وتسارع توازن الوضع – كانت مختلفة بشكل كبير بين الساقطين وغير الساقطين عند علامة 60 شهرًا. بالإضافة إلى ذلك، تم تحديد متوسط طول الخطوة والعمر عند التسجيل كمؤشرات مهمة. كما كشفت تحليل الارتباط عن علاقات متوقعة بين عدة ميزات، بينما كانت حركة الجذع في المستوى السهمي، ومدة الخطوة، وتغير زاوية رفع الأصابع غير مرتبطة بشكل ملحوظ، كما هو موضح في المواد التكميلية.
المناقشة
تستكشف الدراسة القدرات التنبؤية لبيانات المستشعرات القابلة للارتداء في التنبؤ بالسقوط بين مرضى باركنسون (PD) على مدى خمس سنوات. تم تقييم خمسة مصنفات تعلم آلي – الانحدار اللوجستي، الغابة العشوائية، آلات الدعم الشعاعي، الشبكة المرنة، وXGBoost – لدقتها في تحديد الأفراد المعرضين لخطر السقوط خلال 24 و60 شهرًا. أشارت النتائج إلى أن جميع النماذج أدت بشكل مثالي عند علامة 24 شهرًا، حيث حققت الغابة العشوائية أعلى دقة عند 60 شهرًا (AUC = 0.85، دقة = 78%). ومن الجدير بالذكر أن تضمين العمر كميزة سريرية ديموغرافية لم يعزز بشكل كبير من أداء النموذج.
سلط التحليل الضوء على أن البيانات الحركية الأساسية، وخاصة متوسط طول الخطوة وتغير معلمات المشي، كانت مؤشرات حاسمة لخطر السقوط. كما قارن الدراسة نتائجها مع الأدبيات الموجودة، مشيرة إلى أن معدلات السقوط الملاحظة كانت أقل من تلك المبلغ عنها في دراسات أخرى، على الأرجح بسبب الاختلافات في مرحلة المرض عند التوظيف. يؤكد المؤلفون على أهمية التعرف المبكر على خطر السقوط لتسهيل التدخلات في الوقت المناسب، مع الاعتراف بالقيود مثل الاعتماد على استدعاء المشاركين لوقوع السقوط. يُوصى بالتحقق من صحة النموذج في مجموعات سكانية متنوعة لتعزيز قابليته للتعميم وتطبيقه السريري.
DOI: https://doi.org/10.1038/s41746-024-01311-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39638907
Publication Date: 2024-12-05
Author(s): Charalampos Sotirakis et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
This study addresses the heightened risk of falls in individuals with Parkinson’s disease (PD), which can lead to significant injuries and diminished quality of life. It emphasizes the necessity for accurate fall risk assessments, noting that traditional methods are often subjective and labor-intensive. The research explores the efficacy of a brief sensor-based assessment in predicting falls over a period of up to five years, contrasting with previous methods that were limited to one-year follow-ups.
Data were collected from 104 participants with PD who had no prior falls, utilizing six wearable sensors during a two-minute walking task and a thirty-second postural sway task. Five machine learning classifiers were employed to analyze the data, with the Random Forest classifier yielding the highest performance, achieving 78% accuracy and an area under the curve (AUC) of 0.85 at the 60-month mark. Notably, most models demonstrated strong performance at 24 months (AUC > 0.90, accuracy between 84-92%). Key predictors of fall risk included measures of walking and postural variability, with the incorporation of clinicodemographic data, especially age, further enhancing model accuracy. The findings suggest that integrating wearable sensors with machine learning techniques can significantly improve fall risk prediction, thereby informing better management and preventive strategies for individuals with PD.
Methods
The “Methods” section of the research paper outlines the experimental and analytical approaches employed to investigate the research questions. It details the selection of participants, the design of the study, and the specific procedures followed during data collection. The methodologies used for data analysis, including statistical tests and computational models, are also described to ensure reproducibility and transparency.
Additionally, the section may include information on the tools and technologies utilized, such as software for data processing or specific instruments for measurement. Ethical considerations related to participant consent and data handling are also addressed, ensuring compliance with relevant guidelines. Overall, this section provides a comprehensive overview of the methodological framework that underpins the study’s findings.
Results
In this study, the authors utilized inertial measurement unit (IMU) data from a baseline assessment to predict future faller status among 104 participants at 24 and 60 months. By the 24-month follow-up, 13 participants had experienced falls, increasing to 23 by 60 months. The analysis focused on identifying key features that differentiate fallers from non-fallers, with significant findings related to walking and postural variability.
Feature selection was conducted using the Mann-Whitney U test, corrected for a 1% false discovery rate (FDR). Results indicated that variability in walking metrics—such as single and double limb support phases, swing and terminal double support phase durations, and postural sway acceleration—were significantly different between fallers and non-fallers at the 60-month mark. Additionally, mean stride length and age at enrollment were also identified as significant predictors. Correlation analysis further revealed expected relationships among several features, while trunk range of motion in the sagittal plane, step duration, and toe-off angle variability were notably non-correlated, as illustrated in the supplementary materials.
Discussion
The study investigates the predictive capabilities of wearable sensor data in forecasting falls among patients with Parkinson’s Disease (PD) over a five-year period. Five machine learning classifiers—Logistic Regression, Random Forest, Support Vector Machines, Elastic Net, and XGBoost—were evaluated for their accuracy in identifying individuals at risk of falling within 24 and 60 months. Results indicated that all models performed optimally at the 24-month mark, with Random Forest achieving the highest accuracy at 60 months (AUC = 0.85, accuracy = 78%). Notably, the inclusion of age as a clinico-demographic feature did not significantly enhance model performance.
The analysis highlighted that baseline kinematic data, particularly mean stride length and variability in gait parameters, were critical predictors of fall risk. The study also compared its findings with existing literature, noting that the fall rates observed were lower than those reported in other studies, likely due to differences in disease stage at recruitment. The authors emphasize the importance of early identification of fall risk to facilitate timely interventions, while acknowledging limitations such as reliance on participant recall for fall occurrences. Future validation of the model in diverse populations is recommended to enhance its generalizability and clinical applicability.