Key points are not available for this paper at this time.
L'analyse quantitative de la mobilité à l'aide de capteurs portables, bien que prometteuse en tant qu'outil de diagnostic pour la maladie de Parkinson (MP), n'est pas couramment appliquée en milieu clinique. Les principaux obstacles incluent l'incertitude quant au meilleur protocole pour les tests de mobilité instrumentés et le traitement des données qui s'ensuit, ainsi que la charge de travail et la complexité supplémentaires de ce processus en plusieurs étapes. Pour simplifier les tests de mobilité basés sur des capteurs dans le diagnostic de la MP, nous avons analysé des données provenant de 262 participants atteints de MP et de 50 témoins effectuant plusieurs tâches motrices en portant un capteur dans le bas du dos contenant un accéléromètre triaxial et un gyroscope triaxial. En utilisant des ensembles de modèles d'apprentissage automatique hétérogènes incorporant une gamme de classificateurs entraînés sur un ensemble de caractéristiques de capteurs, nous montrons que nos modèles différencient efficacement les participants atteints de MP et les témoins, tant pour la MP à stade mixte (précision de 92,6 %) que pour un groupe sélectionné uniquement pour une MP légère (précision de 89,4 %). L'omission de la segmentation algorithmique des tâches de mobilité complexes a diminué l'exactitude diagnostique de nos modèles, tout comme l'inclusion de caractéristiques cinésiologiques. L'analyse de l'importance des caractéristiques a révélé que les tâches de Timed Up and Go (TUG) contribuent aux caractéristiques prédictives les plus fructueuses, avec seulement de légères diminutions de précision pour les modèles basés sur le TUG cognitif en tant que tâche de mobilité unique. Notre approche d'apprentissage automatique facilite une simplification majeure des tests de mobilité instrumentés sans compromettre la performance prédictive.
Khalil et al. (Thu,) ont étudié cette question.