Co

npj Digital Medicine volumen 5, número de artículo: 32 (2022) Citar este artículo

5767 Accesos

19 citas

14 altmétrica

Detalles de métricas

La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo caracterizado por alteraciones motoras como temblores, bradicinesia, discinesia y anomalías en la marcha. Los protocolos actuales evalúan los síntomas de la EP durante las visitas clínicas y pueden ser subjetivos. Los diarios de los pacientes pueden ayudar a los médicos a evaluar los síntomas en el hogar, pero pueden ser incompletos o inexactos. Por lo tanto, los investigadores han desarrollado métodos automatizados en el hogar para monitorear los síntomas de la EP y permitir el diagnóstico y tratamiento de la EP basado en datos. Consultamos la base de datos PubMed de la Biblioteca Nacional de Medicina de EE. UU. para analizar la progresión de las tecnologías y los métodos computacionales/de aprendizaje automático utilizados para monitorear los síntomas comunes de la EP motora. Se revisó un subconjunto de aproximadamente 12.000 artículos que caracterizaban mejor los cronogramas de tecnología y aprendizaje automático que se manifestaron al revisar la literatura. La tecnología utilizada para monitorear los síntomas motores de la EP ha avanzado significativamente en las últimas cinco décadas. El monitoreo inicial comenzó con dispositivos en el laboratorio, como EMG con aguja, pasó a acelerómetros/giroscopios en el laboratorio, luego a acelerómetros/giroscopios portátiles y, finalmente, a monitoreo en el hogar basado en teléfonos y aplicaciones móviles y web. También se han logrado avances significativos con respecto al uso de algoritmos de aprendizaje automático para clasificar a los pacientes con EP. Utilizando datos de diferentes dispositivos (p. ej., cámaras de vídeo, acelerómetros de teléfonos), los investigadores han diseñado algoritmos de aprendizaje automático basados ​​en redes neuronales y no neuronales para clasificar a los pacientes con EP según temblor, marcha, bradicinesia y discinesia. La coevolución de cinco décadas de la tecnología y las técnicas computacionales utilizadas para monitorear los síntomas motores de la EP ha impulsado un progreso significativo que está permitiendo el cambio del monitoreo de los síntomas de la EP en el laboratorio/clínica al hogar.

La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo complejo comúnmente caracterizado por alteraciones motoras como temblores, bradicinesia, discinesia y anomalías de la marcha1. La evaluación adecuada de las alteraciones motoras de la EP es vital para el tratamiento clínico de la enfermedad2,3. El momento adecuado para administrar los medicamentos dopaminérgicos4 para evitar aumentos repentinos en la gravedad de los síntomas5 y la selección de intervenciones como la estimulación cerebral profunda6 requieren una comprensión precisa de las fluctuaciones de los síntomas en pacientes con EP. Además, es necesaria una caracterización objetiva de las manifestaciones no motoras de la EP, como los trastornos del sueño, los síntomas gastrointestinales y los síntomas psiquiátricos, para comprender la progresión de la enfermedad a largo plazo3.

La caracterización de los síntomas de la EP motores y no motores se basó tradicionalmente en la Escala Unificada de Calificación de la Enfermedad de Parkinson (UPDRS), un sistema de clasificación de la gravedad de la EP con cuatro partes relacionadas con (I) Mentación, Comportamiento y Estado de Ánimo, (II) Actividades de la Vida Diaria, ( III) Motoras y (IV) Complicaciones7. La UPDRS fue finalmente actualizada por la Movement Disorder Society (MDS), creando la MDS-UPDRS, en un intento de reducir la subjetividad en la escala8. Los médicos también utilizan otros sistemas de calificación, como la escala de calificación de temblor de WHIGET para el temblor de acción9 y la escala de calificación de bradicinesia modificada (MRBS) para la bradicinesia10. Sin embargo, estos sistemas de calificación adolecen de dos defectos principales. En primer lugar, carecen de granularidad durante los ciclos de enfermedad o medicación, ya que sólo proporcionan una vista instantánea de los síntomas de un paciente tal como se observan durante las visitas a la clínica. Además, al evaluar los síntomas de la EP fuera de la clínica, los médicos deben confiar en los diarios o recuerdos de los pacientes, que pueden ser inexactos2. En segundo lugar, estos sistemas de calificación son inherentemente subjetivos, lo que conduce a una alta variabilidad entre evaluadores e intraevaluadores3.

Abordar estos defectos es vital para garantizar un diagnóstico y tratamiento adecuados de los pacientes con EP. Con ese fin, se han realizado esfuerzos considerables para desarrollar métodos objetivos, domésticos y automatizados para monitorear los principales síntomas motores característicos de la EP. Aprovechar los sensores de movimiento y, en algunos casos, las tecnologías basadas en video, puede permitir a los médicos adoptar enfoques basados ​​en datos para el diagnóstico de la EP. Agregar la monitorización de pacientes en el hogar a través de dispositivos inteligentes (p. ej., teléfonos inteligentes, relojes) podría permitir a los médicos ajustar los planes de tratamiento en función de los datos de actividad del paciente. El objetivo final de estas tecnologías es lograr un monitoreo continuo en el hogar, lo que requerirá una investigación continua utilizando datos de estudios continuos en el hogar, en lugar de aplicar datos de laboratorio para desarrollar soluciones en el hogar. Esta revisión tiene como objetivo resumir la coevolución de las tecnologías y los métodos computacionales utilizados para evaluar y monitorear los síntomas motores comunes de la EP, como temblores, anomalías de la marcha, bradicinesia y discinesia.

La tecnología utilizada para diagnosticar y monitorear la EP ha evolucionado significativamente con el tiempo (Fig. 1A). En particular, esta tecnología ha progresado desde el laboratorio hasta los entornos domésticos y cotidianos, lo que permite una recopilación de datos más sólida relacionada con los síntomas de la EP. Esta sección describe esta progresión, junto con el propósito y las ventajas de las diferentes tecnologías.

R En la década de 1970, las principales tecnologías utilizadas estaban basadas en laboratorio, como la EMG y las mediciones con potenciómetros. La adopción de acelerómetros de laboratorio comenzó a finales de la década de 1980 y continuó hasta principios de la década de 2000, cuando se empezaron a aprovechar dispositivos más pequeños, como tabletas y acelerómetros portátiles. Desde finales de la década de 2010, los dispositivos inteligentes y las aplicaciones de esos dispositivos fueron las principales tecnologías utilizadas para el seguimiento de los síntomas. Con el tiempo, la evolución de la tecnología ha permitido una recopilación de datos mayor y más continua. B Desde la década de 1970, las técnicas computacionales y estadísticas, como los análisis en el dominio de la frecuencia de los datos del acelerómetro, han permitido a los investigadores y médicos cuantificar la gravedad de los síntomas en pacientes con EP. Las mejoras en las tecnologías utilizadas para monitorear los síntomas han permitido una mayor recopilación de datos, lo que ha permitido un crecimiento en la adopción de técnicas de aprendizaje automático. Primero se aplicaron técnicas supervisadas para analizar los datos de los síntomas, seguidas de técnicas no supervisadas.

Las tecnologías de laboratorio para evaluar los síntomas de la EP tenían dos propósitos principales: (1) desarrollar metodologías para diagnosticar la EP/categorizar la gravedad (p. ej., distinguir la EP de afecciones neurológicas similares) y (2) sentar las bases para sistemas más pequeños, más portátiles y más utilizados. -tecnologías amigables que podrían ayudar en el diagnóstico y seguimiento de la EP en el futuro (Tabla 1).

Las técnicas de electromiografía (EMG) de laboratorio estuvieron entre las primeras tecnologías utilizadas para evaluar la EP. Más específicamente, los datos recopilados mediante estas técnicas estaban destinados principalmente a ayudar a distinguir/diagnosticar la EP de afecciones similares o cuantificar la progresión de la enfermedad. En 1984, Bathien et al. Temblor cuantificado de cabeza, manos y extremidades inferiores con EMG11. El grupo descubrió que el análisis de los cambios de fase entre ráfagas de actividad EMG en los músculos agonistas-antagonistas permitió la categorización entre el temblor observado en la EP y el de la discinesia tardía, creando una de las primeras metodologías cuantitativas para distinguir la EP de otras afecciones. También se aprovechó la EMG en el laboratorio para cuantificar y controlar las anomalías de la marcha en pacientes con EP. Los datos de EMG ayudaron a distinguir entre marcha normal y “parkinsoniana” y a cuantificar la respuesta al tratamiento a lo largo del tiempo12. Se realizaron estudios similares para evaluar otros síntomas de la EP. En 1979, Milner-Brown et al. informaron que la EMG manual con aguja detectó propiedades anormales de la unidad motora durante la contracción muscular que podrían usarse para rastrear la progresión de la bradicinesia13. Es de destacar que estas técnicas basadas en EMG no estaban destinadas a realizar diagnósticos iniciales de EP, sino que se utilizaban para rastrear la progresión de una enfermedad ya establecida.

A partir de la segunda mitad de la década de 1980, los investigadores comenzaron a pasar de la EMG a métodos menos invasivos. Las tecnologías desarrolladas durante esta era también intentaron diagnosticar la EP además de monitorear/cuantificar los síntomas. Las técnicas iniciales desarrolladas variaron ampliamente. Algunos grupos probaron sistemas basados ​​en potenciómetros que podían monitorear múltiples síntomas a la vez14, permitiendo evaluaciones “únicas” de, por ejemplo, cómo respondían los pacientes a la terapia farmacológica. Las tecnologías basadas en láser también fueron populares. Beuter et al. desarrollaron un sistema láser que podía medir los movimientos de la mano para distinguir entre controles sanos y pacientes con PD15, mientras que Weller et al. desarrollaron un sistema para rastrear cómo cambiaban las anomalías de la marcha en respuesta a diversos medicamentos16. Aunque estas tecnologías eran menos invasivas y más portátiles que la EMG, su uso a menudo se limitaba a entornos de laboratorio especiales (por ejemplo, áreas con equipos de seguridad láser) y requería experiencia significativa para operar17. Los acelerómetros y giroscopios abordaron ambas preocupaciones, consolidándolos como dos de las principales tecnologías que definieron la próxima era del monitoreo de DP. El uso de acelerómetros y giroscopios permitió una mayor recopilación de datos, mejorando así la granularidad con la que los investigadores pudieron monitorear y evaluar a los pacientes con EP. El uso inicial de acelerómetros y giroscopios recolectó datos en el laboratorio en un eje y buscó diferenciar entre EP y otras condiciones. Deuschl et al. utilizaron un acelerómetro monoaxial para demostrar que el análisis de series temporales por sí solo era suficiente para diferenciar entre EP y temblor esencial18. El uso de acelerómetros y giroscopios triaxiales mejoró la precisión de la clasificación y permitió realizar mediciones en el laboratorio más sólidas. Los acelerómetros triaxiales empleados por Spyers-Ashby et al. en 1999 condujeron a una precisión de clasificación superior al 60% entre control, temblor esencial, esclerosis múltiple y EP19. Además, Rajaraman et al. demostraron que el uso de un mayor número de acelerómetros triaxiales en varias partes de la mano, el antebrazo y el brazo permitía cuantificar el temblor a pesar de las posiciones y orientación alteradas de las manos20. Los estudios fundamentales del grupo de van Hilten también demostraron que la acelerometría triaxial fue beneficiosa para identificar y caracterizar el temblor, la bradicinesia y la discinesia21,22,23,24.

El uso de acelerómetros y giroscopios portátiles se extendió a la cuantificación de otros síntomas de la EP. Los datos de acelerómetros y giroscopios triaxiales en diversas partes del cuerpo (p. ej., muñecas, dedo índice, espalda) permitieron que los modelos estimaran las puntuaciones de la UPDRS y determinaran la gravedad de la bradicinesia en condiciones tanto programadas como no programadas25,26,27,28. Salariano et al. investigaron el uso de acelerómetros y giroscopios triaxiales junto con sensores inerciales para rastrear la dificultad de la marcha por inestabilidad postural (subpuntuación PIGD de UPDRS III) durante las pruebas de giro de evaluación de la marcha, informando que los pacientes con EP tenían una duración de giro significativamente mayor y un retraso antes de iniciar un giro29. Moore et al. informaron hallazgos similares, quienes demostraron que la identificación de la congelación de la marcha (FoG) basada en las características de frecuencia del movimiento de las extremidades inferiores se correlacionaba fuertemente (correlación entre clases >0,7) con las evaluaciones clínicas realizadas por especialistas30. Muchos otros grupos también han informado del uso de acelerómetros para identificar FoG31,32,33,34. Múltiples estudios que investigaron la gravedad de la discinesia utilizaron acelerómetros, giroscopios y/o magnetómetros triaxiales en varias partes del cuerpo (p. ej., hombro, muñeca, tobillo, cintura) y encontraron fuertes correlaciones entre las magnitudes de la discinesia medidas por los dispositivos y las observadas por los médicos35, 36,37.

Al mismo tiempo, se estaban desarrollando metodologías en el laboratorio específicas para cuantificar y comprender mejor ciertas manifestaciones de la EP. Lo único de la bradicinesia fue el uso de tecnologías basadas en juegos de computadora. En 1999, Giovannoni et al. introdujo la PRUEBA CEREBRAL como una forma informática de controlar la progresión de la bradicinesia en la EP. Al exigir a los participantes que utilicen sus dedos índices para golpear alternativamente la "S" y el ";" teclas de un teclado de computadora estándar, la PRUEBA CEREBRAL proporcionó una medición rápida y objetiva de la función motora de las extremidades superiores38. Allen et al. se basó en el trabajo de Giovannoni y desarrolló una prueba informática basada en un joystick y un volante de juguete que fue capaz de discriminar la bradicinesia patológica de diversa gravedad39. Espay et al. estudiaron el efecto de la realidad virtual (VR) y la retroalimentación de la marcha basada en audio para identificar y corregir anomalías de la marcha en pacientes con EP mientras caminaban por una pasarela electrónica GAITRite de cuatro metros en el laboratorio. En general, casi el 70% de los pacientes mejoraron al menos un 20% en la velocidad de la marcha, la longitud de la zancada o ambas40. Bachlin et al. desarrolló una plataforma similar centrada en la corrección que detectó FoG en pacientes con EP y proporcionó señales de audio para reanudar la caminata. El sistema detectó eventos de FoG en tiempo real con una sensibilidad del 73 % y una especificidad del 82 %41. Se han desarrollado plataformas de corrección de FoG con indicaciones visuales utilizando tecnologías como Google Glass42. Finalmente, Rao et al. informaron un algoritmo de seguimiento facial basado en video que evaluó la gravedad de la discinesia facial y del cuello durante una tarea de habla. Las puntuaciones de gravedad calculadas mostraron una alta correlación con las calificaciones de discinesia realizadas por los neurólogos43.

Aprovechando los datos y análisis de estudios realizados en laboratorio, los investigadores comenzaron a desarrollar metodologías no solo para monitorear, sino también para diagnosticar la EP fuera del laboratorio. Los estudios iniciales en esta área incluyeron el trabajo de van Hilten et al. en el que los pacientes usaron pequeños acelerómetros durante el transcurso de seis días y completaron encuestas de calidad de vida, lo que permitió las primeras medidas objetivas de discinesia44. Los análisis de temblor continuaron incorporando cada vez más acelerómetros portátiles y permitiendo una clasificación precisa entre pacientes con EP, pacientes con temblor esencial y controles, al tiempo que comenzaban a salir de los límites del laboratorio45,46. Tsipouras et al. demostraron que el uso de múltiples acelerómetros y giroscopios portátiles permitía una monitorización eficaz de los pacientes mientras realizaban actividades de la vida diaria en condiciones de la vida real, pero simuladas47. Finalmente, utilizando acelerómetros integrados en un bolígrafo junto con otros sensores (p. ej., placa de registro táctil), Papapetropoulos et al. demostró la capacidad de múltiples sensores pequeños para discriminar tipos de temblor patológico48.

Durante la última década, el seguimiento de los síntomas de la EP ha experimentado dos cambios temáticos. En primer lugar, el monitoreo se ha vuelto más remoto y accesible debido a la facilidad de uso y la disponibilidad generalizada de acelerómetros/giroscopios y teléfonos inteligentes más portátiles con esos dispositivos integrados. En segundo lugar, el seguimiento se ha vuelto más continuo mediante el uso de aplicaciones web y móviles. En conjunto, estos cambios están dando paso a una evaluación de la EP mediada por tecnología más inteligente, con plataformas para el diagnóstico actualmente en desarrollo (Tabla 2).

Los sensores portátiles están dando paso a una evaluación más remota de los síntomas de la EP. Yang et al. descubrieron que un único y pequeño acelerómetro triaxial acoplado a la hebilla del cinturón permitía estimar en tiempo real múltiples parámetros de la marcha, como la cadencia, la regularidad del paso, la regularidad de la zancada y la simetría del paso, lo que permitía una cuantificación inmediata de la marcha49. Klucken et al. también informaron el uso de un pequeño dispositivo con clip en el talón que logró una precisión de clasificación del 81%, diferenciando entre pacientes con EP y controles sanos50. Más recientemente, un estudio de sensores de plantillas permitió la detección de episodios de FoG relacionados con la EP con una precisión del 90%51 y los acelerómetros de muñeca lograron una concordancia "buena a fuerte" con las calificaciones clínicas de temblor en reposo y bradicinesia, además de discriminar entre cambios causados ​​por el tratamiento. en los síntomas motores52. Aunque algunos de estos estudios se realizaron en laboratorios, los resultados colectivos indican que los pacientes podrían usar dispositivos similares en casa, lo que permitiría una evaluación remota de la movilidad. Los estudios que evalúan específicamente la capacidad de las tecnologías portátiles para rastrear los síntomas motores en el hogar han informado un alto cumplimiento y utilidad clínica26,53,54,55,56,57.

En 2011, Chen et al. presentó MercuryLive, un sistema basado en la web que integra datos de sensores portátiles y encuestas cualitativas de pacientes para el seguimiento de los síntomas en el hogar en tiempo real. Específicamente, el sistema se utilizó para guiar posibles cambios en los medicamentos para pacientes con enfermedad en etapa avanzada58. La ventaja de estos sistemas sobre las plataformas de sensores es la capacidad de recopilar datos cualitativos de los pacientes de manera más fluida, lo que permite a los médicos e investigadores contextualizar mejor los datos cuantitativos de los sensores. Otros sistemas basados ​​en aplicaciones web, como el sistema PERFORM presentado por Cancela et al. en 2013, continuó implementando acelerómetros y giroscopios portátiles, pero amplió las funcionalidades de la aplicación web asociada para incluir cuestionarios de adherencia a la medicación, diarios de alimentos y el cuestionario PDQ-3959, ampliando aún más la información cualitativa que complementa los datos objetivos recopilados por los dispositivos portátiles.

La monitorización en el hogar se volvió aún más práctica tras la adopción de teléfonos inteligentes y otros dispositivos inteligentes60,61. En 2011, Kostikis demostró la viabilidad de la monitorización remota de temblores utilizando el acelerómetro y giroscopio integrados en un iPhone 3 G de Apple62. Tan recientemente como 2020, van Brummelen et al. Probaron siete acelerómetros de productos de consumo en teléfonos inteligentes (p. ej., iPhone 7) y dispositivos inteligentes de consumo (p. ej., relojes Huawei) y descubrieron que estos productos funcionaban de manera comparable a los acelerómetros de laboratorio al evaluar la gravedad de ciertos síntomas de la EP63. También se ha demostrado que las tabletas inteligentes son útiles mediante el uso de pruebas de dibujo en espiral cuyos resultados se correlacionan significativamente con las puntuaciones de la UPDRS y con los resultados de otras pruebas, incluido el BRAIN Test64.

Una mayor expansión de los dispositivos inteligentes se produjo con la llegada de aplicaciones móviles fáciles de usar, como la aplicación Fox Wearable Companion desarrollada por la Fundación Michael J. Fox. Silva de Lima et al. demostró que el uso de la aplicación junto con un teléfono inteligente Android y un reloj inteligente Pebble dio como resultado una alta participación del paciente y una sólida recopilación de datos cuantitativos y cualitativos para que los médicos monitorearan la progresión de la EP y la adherencia a la medicación65. Príncipe y col. informar el éxito utilizando una aplicación iOS diseñada de forma independiente66. El uso de relojes inteligentes junto con dichas aplicaciones móviles también permite el almacenamiento de datos basado en la nube, lo que permite a los equipos clínicos y de investigación monitorear de manera más efectiva la progresión y la gravedad de los síntomas en tiempo real67. En 2021, Powers et al. desarrolló el sistema “Monitor de fluctuaciones motoras para la enfermedad de Parkinson” (MM4PD) que utilizaba la monitorización continua desde un Apple Watch para cuantificar el temblor en reposo y la discinesia. MM4PD se correlacionó fuertemente con las evaluaciones de la gravedad del temblor, se alineó con las calificaciones de discinesia de los expertos y coincidió con las expectativas de los médicos de los pacientes el 94% de las veces2. Muchos otros grupos, incluido Keijsers et al., han presentado soluciones que pueden evaluar las fluctuaciones motoras en entornos domésticos reales o simulados utilizando sensores portátiles68,69,70,71 o dispositivos inteligentes72,73. Este tipo de soluciones son particularmente importantes para el seguimiento de la EP, ya que la evaluación de las fluctuaciones de los síntomas puede brindar a los médicos información sobre la dosificación de los medicamentos, la gravedad de la enfermedad e incluso los desencadenantes de los síntomas (p. ej., un paciente tiene peor temblor al conducir en comparación con cuando lava los platos). Monitorear las fluctuaciones usando dispositivos inteligentes puede ser particularmente útil, ya que el dispositivo puede documentar lo que estaba haciendo un paciente cuando los síntomas empeoraron, a qué hora del día sucedió, entre otros factores ambientales importantes, brindando a los médicos una imagen más integral de la enfermedad de un paciente. Los datos recopilados del monitoreo de fluctuaciones también podrían informar si ciertos pacientes podrían ser candidatos para procedimientos como la estimulación cerebral profunda.

Finalmente, múltiples estudios han propuesto el uso de tecnologías distintas a los acelerómetros y giroscopios (ya sea de forma independiente o en teléfonos inteligentes). En cambio, algunos estudios utilizaron algoritmos basados ​​en visión por computadora para evaluar datos de cámaras de video, sensores de tiempo de vuelo y otros dispositivos de movimiento74,75,76. En el futuro, se podrían combinar tecnologías de análisis de video similares con plataformas de video existentes (p. ej., Zoom, FaceTime) para monitorear de manera regular y confiable las deficiencias motoras fuera de la clínica. También se ha realizado un trabajo importante para evaluar la viabilidad de utilizar grabaciones de voz para monitorear e incluso diagnosticar la EP. Arora et al. analizaron grabaciones de voz en casa y pudieron determinar las puntuaciones UPDRS de los pacientes para diferenciar entre pacientes con EP y controles sanos con una sensibilidad del 96 % y una especificidad del 97 %77. Muchos otros han informado sobre trabajos similares sobre datos de voz de teléfonos inteligentes78,79,80, lo que indica que los análisis de voz podrían ser beneficiosos al desarrollar tecnologías para monitorear y diagnosticar la EP.

Las técnicas distintas de ML para evaluar los síntomas de la EP han evolucionado considerablemente en los últimos 30 años (Fig. 1B). Antes de la adopción de algoritmos de aprendizaje automático, los investigadores utilizaban técnicas de análisis de dominio de frecuencia y estadísticas más tradicionales. Esto probablemente ocurrió por dos razones principales: (1) la potencia informática necesaria para el aprendizaje automático no estaba tan ampliamente disponible y (2) los conjuntos de datos recopilados en los primeros estudios eran relativamente menos complejos con respecto al tamaño y el ruido. Además, ciertas técnicas clave de aprendizaje automático (por ejemplo, la retropropagación aplicada a redes neuronales) no se popularizaron hasta finales de los años 1980 y principios de los 1990, y su adopción se generalizó muchos años después con la llegada de las bibliotecas de software de aprendizaje automático81,82. Uno de los primeros estudios fue en 1973 donde Albers et al. demostraron que los espectros de potencia del temblor parkinsoniano de la mano se distinguían fácilmente de los de los pacientes de control83 (Tabla 3). Las pruebas estadísticas del espectro de potencia de frecuencia también mostraron una correlación significativa entre características seleccionadas, como la potencia total del espectro de potencia de frecuencia y las calificaciones clínicas de la gravedad de la discinesia84. Edwards et al. demostraron que la combinación de múltiples características del temblor (p. ej., amplitud, frecuencia dominante) en un único índice también podría diferenciar el movimiento con EP del movimiento sin EP85. Un mayor desarrollo de técnicas computacionales incluyó la aplicación de modelos de regresión más avanzados a los datos recopilados mediante diferentes modalidades (p. ej., acelerómetros, dispositivos mecánicos)86,87.

Muchos estudios también tuvieron éxito mediante pruebas estadísticas de hipótesis estándar, como las pruebas t y los ANOVA. Blin et al. utilizaron un sistema de poleas y cuerdas vinculado a un potenciómetro en el laboratorio para recopilar datos sobre la longitud de la zancada. Utilizando una prueba U de Mann-Whiteney y regresión lineal, encontraron que la variabilidad de la longitud de la zancada era significativamente más marcada en pacientes con EP y aumentaba con las etapas clínicas de Hoehn y Yahr88. El ANOVA realizado con datos de golpeteo con los dedos (p. ej., velocidad angular RMS, desplazamiento angular RMS) mostró diferencias significativas entre los sujetos con EP y los de control89.

Para aprovechar los conocimientos sobre las anomalías de la marcha, los investigadores incorporaron análisis cinemáticos en sus estudios. Utilizando ANOVA en mediciones cinemáticas de la marcha, Lewis et al. descubrieron que los pacientes con Parkinson mostraban una velocidad de marcha y una longitud de zancada más bajas, pero una cadencia comparable en relación con los controles sanos, al tiempo que presentaban reducciones en los ángulos máximos de las articulaciones en el plano sagital y reducciones en la flexión plantar del tobillo en la punta del ciclo de la marcha90. Estas características cinemáticas y de la marcha se corroboraron mediante el análisis espaciotemporal realizado por Sofuwa et al., quienes demostraron que los pacientes con EP tenían una reducción significativa en la longitud del paso y la velocidad de la marcha en comparación con el control, siendo la característica principal que define al grupo con EP una reducción en el tobillo. flexión plantar91. Más recientemente, Nair et al. utilizaron regresión logística estándar en centroides a partir de agrupaciones k-medias de datos de acelerómetros triaxiales para clasificar sujetos con EP y control con una precisión de ~95%, una especificidad de ~96% y una sensibilidad de ~89%92.

En la literatura más reciente, las técnicas de aprendizaje automático han demostrado ser muy efectivas para identificar las características de los síntomas de la EP, especialmente cuando se aplican a diversos conjuntos de datos obtenidos utilizando dispositivos inteligentes (Fig. 1B). La literatura demuestra un sólido rendimiento en múltiples técnicas de aprendizaje automático. Tanto los algoritmos de redes neuronales como los de redes no neuronales lograron altas sensibilidades y especificidades en la clasificación de los síntomas de la EP utilizando datos tanto sin procesar como procesados. (Tabla 4).

Todavía se están realizando importantes investigaciones sobre la optimización y el perfeccionamiento de la mayoría de los algoritmos de ML discutidos aquí, ya que muchos aspectos del diseño de ML aún funcionan mediante prueba y error. Esto se aplica tanto a la determinación de los parámetros del modelo (p. ej., tasas de aprendizaje para el descenso de gradientes, niveles de impureza en los árboles de decisión) como a la selección de los algoritmos mismos (p. ej., red neuronal versus árbol de decisión)93,94,95,96. En realidad, varios modelos diferentes podrían ser eficaces para realizar la misma tarea en un conjunto de datos determinado97,98. Aquí, presentamos medidas objetivas del rendimiento del modelo ML y al mismo tiempo intentamos proporcionar una justificación con respecto a los criterios de diseño que pueden haber llevado a los investigadores a elegir un algoritmo sobre otro.

Los algoritmos de aprendizaje automático de redes no neuronales han demostrado ser eficaces en la clasificación de la enfermedad de Parkinson, ya que a menudo proporcionan más información/interpretabilidad mecanicista y generalmente requieren menos datos de entrenamiento en comparación con las redes neuronales. Múltiples estudios han encontrado que los árboles de decisión son muy eficaces para clasificar a los pacientes con Parkinson frente a los de control basándose en los datos del acelerómetro y el giroscopio. Utilizando datos de un reloj inteligente Microsoft Band, Rigas et al. utilizaron árboles de decisión para lograr una precisión de detección de temblores del 94 % con una tasa de falsos positivos del 0,01 %99. Aich et al. demostró que un árbol de decisión entrenado en características de la marcha, como el tiempo y la longitud del paso, el tiempo y la longitud de la zancada y la velocidad de la marcha, distinguía a los pacientes de Parkinson de los controles sanos con una precisión de ~88%, una sensibilidad de ~93% y una especificidad de ~91%. , superando a k vecino más cercano (KNN), máquina de vectores de soporte (SVM) y Naïve-Bayes100. Las elecciones de diseño en estos estudios propiciaron el uso de árboles de decisión, ya que había múltiples variables cuantitativas (p. ej., longitud de zancada) con límites específicos (p. ej., longitud de zancada <1,2 m) que informaban ciertos diagnósticos. Los árboles de decisión también permitieron a los investigadores determinar cuantitativamente qué características (por ejemplo, frecuencia de temblores) de los datos eran más importantes para determinar las clasificaciones finales, mejorando así el vínculo entre el análisis de datos y la comprensión de la enfermedad.

Si bien los árboles de decisión pueden ser eficaces, también pueden sobreajustar los datos de entrenamiento, limitando así su generalización. Por lo tanto, muchos grupos han tenido éxito utilizando árboles de decisión en bolsas, una técnica que entrena varios árboles utilizando subconjuntos de datos de entrenamiento y luego agrega los resultados finales. Los árboles de decisión en bolsas pueden ser particularmente útiles para mitigar el sobreajuste que puede resultar del análisis de conjuntos de datos relativamente pequeños. Kostikis et al. utilizaron datos de 25 pacientes con EP y 20 controles de salud y descubrieron que los árboles de decisión en bolsas sobre las características del temblor daban como resultado un AUC de 0,94, mayor que cualquier otro algoritmo que probaron (p. ej., regresión logística, SVM, AdaBoost)101. En un estudio con 20 pacientes con EP, los árboles en bolsas mostraron entre 95 y 98% de precisión en la clasificación de pacientes según el esquema MDS-UPDRS 0,1,2 cuando se utilizaron datos de temblor de sensores de movimiento en lugar de acelerómetros o giroscopios102.

Los resultados continuaron siendo sólidos con una variante de árboles de decisión en bolsas conocidos como bosques aleatorios (RF), que pueden ser útiles para mejorar la precisión y reducir aún más el sobreajuste, con la desventaja de tiempos de entrenamiento más prolongados. La RF tuvo un mejor desempeño que la regresión logística en características del análisis de la marcha, pruebas de balanceo y tareas de tiempo arriba y abajo al clasificar entre parálisis supranuclear progresiva y Parkinson y también fue útil para estimar puntuaciones clínicas de discinesia103. Al mismo tiempo, los investigadores han tenido éxito con otra variación de los árboles de decisión conocidos como árboles potenciados, en los que el árbol de gradiente supera a una red neuronal de memoria a corto plazo al estimar puntuaciones UPDRS-III basadas en datos de sensores de movimiento de la muñeca y el tobillo104.

Para mejorar aún más la eficiencia de los algoritmos y reducir el costo computacional, los investigadores han aprovechado técnicas de selección de características en combinación con algoritmos de aprendizaje automático establecidos. La selección de características es particularmente importante en el diseño de estudios que evalúan múltiples algoritmos de ML para identificar los de mejor rendimiento o entrenar algoritmos en diferentes conjuntos de datos105,106. La selección de funciones también se utiliza comúnmente como herramienta para ayudar a mejorar el rendimiento del algoritmo. Cuando se utiliza junto con técnicas de selección de características, como la eliminación recursiva de características, la RF logró una precisión de clasificación del 96% al calificar las anomalías de la marcha de pacientes con EP con y sin medicamentos71. Otro tipo de selección de características basada en SVM fue útil para lograr un alto rendimiento de RF al clasificar a los pacientes con EP frente a pacientes sin EP, lo que resultó en una precisión del 97 %, una sensibilidad del 100 % y una especificidad del 94 %. En general, muchas técnicas diferentes de selección de características han demostrado ser útiles con múltiples algoritmos de ML32,106,107,108. Se ha demostrado que las SVM funcionan bien con y sin selección de funciones antes del entrenamiento del modelo32,106.

Sin embargo, el análisis de funciones no se limita a la selección de funciones. Específicamente, los cálculos de importancia de características post hoc pueden ser beneficiosos para comprender mejor por qué modelos específicos funcionan como lo hacen, proporcionando más información relacionada con las aplicaciones clínicas del modelo. Rehman et al. construyó múltiples modelos de análisis parcial menos discriminante utilizando subconjuntos de características de la marcha medidas en pacientes con EP y controles sanos, y utilizó métricas de importancia de características para identificar que, entre otras, la velocidad del paso, la longitud del paso y la regularidad de la marcha eran las características más influyentes en el modelo. . Este tipo de análisis es particularmente beneficioso, ya que puede mejorar la toma de decisiones clínicas independientemente del uso de modelos de aprendizaje automático, al proporcionar a los médicos signos/síntomas más matizados de la manifestación temprana o la progresión de la enfermedad109. Mirelman et al. realizaron análisis similares sobre las anomalías de la marcha, quienes estratificaron a los pacientes según la progresión de la enfermedad de EP y encontraron que diferentes características eran más importantes para diferenciar entre las distintas etapas de la EP110. Por ejemplo, a medida que avanzaba la EP, las características relacionadas con actividades más desafiantes, como girar, se volvieron más importantes para la clasificación de los pacientes, pero Mirelman et al. Descubrió que este aumento en importancia se produjo en etapas más tempranas de la enfermedad de lo que normalmente se esperaría. Otros grupos que investigaron la marcha e incluso otros síntomas de la EP informaron análisis similares104,111,112.

Si bien la elección de qué algoritmo de ML utilizar puede depender parcialmente del tipo de datos, el tamaño del estudio, etc., algunos artículos han demostrado que la precisión de un modelo de aprendizaje automático depende del tipo de temblor que se evalúa, lo que destaca aún más la naturaleza inherente de prueba y error del diseño del estudio de ML. Jeon et al. encontraron que si bien los árboles de decisión eran más precisos al clasificar a los pacientes según el temblor en reposo con estrés mental y temblor de intención, la clasificación del temblor en reposo por sí sola fue más precisa con SVM polinómica y la clasificación del temblor postural fue más precisa con (KNN)113. En la misma línea, varios grupos han descubierto que los KNN que utilizan datos en el dominio del tiempo y la frecuencia son muy eficaces en la clasificación del Parkinson frente a los de control80,112,114 que utilizan datos de temblores. Finalmente, Butt et al. y Bazgir et al. en 2018, ambos descubrieron que Naïve Bayes superaba a otros algoritmos probados al clasificar el temblor del Parkinson utilizando datos de movimiento y acelerómetro/giroscopio, respectivamente115,116.

Se han desarrollado algunos algoritmos de aprendizaje no supervisado para la clasificación de la EP. El aprendizaje no supervisado puede resultar útil al diseñar estudios con grandes conjuntos de datos que podrían resultar demasiado complicados de etiquetar manualmente, un requisito previo para entrenar modelos de aprendizaje automático supervisados. El aprendizaje no supervisado también es beneficioso en los análisis exploratorios para proporcionar estructura y conocimientos novedosos a partir de conjuntos de datos grandes y diversos. Zhan et al. desarrolló un novedoso algoritmo de “Aprendizaje de puntuación de gravedad de la enfermedad” que calculaba una “puntuación móvil de la enfermedad de Parkinson” (mPDS) basada en 435 características de pruebas de marcha, golpeteo con los dedos y voz que se realizaron utilizando teléfonos inteligentes. Las puntuaciones de mPDS se correlacionaron fuertemente con MDS-UPDRS parte III, MDS-UPDRS total y las etapas Hoen y Yahr. Este trabajo representa esfuerzos continuos para crear mediciones más objetivas de la progresión de la enfermedad de Parkinson que no se vean afectadas por la variabilidad entre evaluadores72.

Recientemente se ha utilizado el desarrollo de redes neuronales artificiales para estudiar grandes conjuntos de datos para la clasificación de los síntomas de la EP. Las redes neuronales tienen múltiples casos de uso, pero se utilizan con mayor frecuencia en grandes conjuntos de datos cuyas características deben combinarse mediante relaciones complejas y no lineales para tareas de clasificación o regresión. Siendo ese el caso, las redes neuronales normalmente requieren más datos para entrenar en comparación con otros algoritmos de ML y, como consecuencia, son más costosas desde el punto de vista computacional. Aunque las redes neuronales pueden ser herramientas poderosas, tienden a ser más “cajas negras”, carentes de interpretabilidad en comparación con otros algoritmos de ML52,117,118. Aun así, las redes neuronales son uno de los algoritmos de aprendizaje automático más populares que se utilizan en la actualidad y han logrado un gran rendimiento cuando se aplican al diagnóstico y seguimiento de la EP.

Luna y cols. utilizaron 48 características en la marcha y el balanceo postural recopiladas de seis unidades de medición inercial (IMU) en la espalda, las extremidades superiores y las extremidades inferiores de los pacientes para diferenciar entre EP y temblor esencial. Después de probar múltiples algoritmos de aprendizaje automático (por ejemplo, SVM, KNN, red neuronal, regresión logística), los autores encontraron que una red neuronal con una tasa de aprendizaje de 0,001 tenía la mayor precisión (0,89), precisión (0,61) y puntuación F1. (0,61)119. El artículo de Moon et al. es un buen ejemplo del proceso de diseño que a menudo se utiliza con el aprendizaje automático en el que se prueban múltiples algoritmos antes de seleccionar un algoritmo con hiperparámetros específicos (p. ej., tasa de aprendizaje, número de capas ocultas) que también suelen seleccionarse. con prueba y error120,121. Veeraragavan et al. También utilizaron redes neuronales, pero intentaron dos tareas diferentes: clasificar entre pacientes con EP y pacientes sanos según la forma de andar y clasificar a los pacientes con EP en estadios clínicos de Hoehn y Yahr. La clasificación de Parkinson versus control saludable se logró con una precisión del 97% usando una red de capa oculta única con 25 nodos, mientras que la clasificación en etapas Hoehn y Yahr se logró con una precisión del 87% usando una red de capa oculta única con 13 nodos122. Estos resultados sugieren que las redes neuronales son candidatos prometedores para la clasificación y estadificación de enfermedades.

Los primeros esfuerzos para aplicar el aprendizaje automático a los datos de temblor de la EP utilizaron clasificadores de perceptrón de capa oculta única de 30 características estadísticas de orden superior de los datos del acelerómetro de temblor como entradas para diferenciar entre temblor parkinsoniano, esencial y fisiológico123. Básicamente, estos esfuerzos combinaron una extracción de características sofisticada con una arquitectura de algoritmo relativamente simple para tareas de clasificación. Otros enfoques, como la red neuronal dinámica utilizada por Roy et al., tenían como objetivo clasificar el temblor como “leve”, “moderado” o “severo” (basado en UPDRS), utilizando datos espectrales de EMG y mediciones de acelerómetro. Aprovechando las funciones de entrada que requerían un preprocesamiento mínimo, como la energía de la señal del acelerómetro después del filtrado de paso bajo, Roy et al. logró tasas de error de clasificación global de menos del 10%124. Otros han informado de éxito utilizando redes neuronales entrenadas en características similares que requieren poco procesamiento previo125,126. Las modificaciones de las redes neuronales clásicas también han tenido buenos resultados. Oung et al. demostró que las máquinas de aprendizaje extremo (redes neuronales que aprenden pesos sin retropropagación) lograron una precisión de clasificación del 91% cuando se utilizaron datos de voz y temblores como entradas a la red127.

Las redes neuronales convolucionales (CNN) han desempeñado recientemente un papel importante en la clasificación de la enfermedad de Parkinson debido a su capacidad para analizar directamente datos de imágenes. En muchos casos, esto reduce la cantidad de extracción de características necesaria. Por ejemplo, si se utiliza una CNN para analizar datos de temblores recopilados por acelerómetros, los investigadores no necesitan extraer características como frecuencia, amplitud, etc., porque la entrada a la CNN puede ser simplemente una versión procesada del propio gráfico de acelerómetro. En 2020, Shi et al. utilizaron gráficos de datos transformados por wavelets (descomponiendo los datos en un conjunto de oscilaciones discretas llamadas wavelets) de acelerómetros, giroscopios y magnetómetros triaxiales como entradas a una CNN para clasificar episodios de FoG y no-FoG. En general, la CNN mostró una precisión de clasificación de ~89 %, una sensibilidad de ~82 % y una especificidad de ~96 %. El mismo estudio encontró que las CNN que utilizaban datos de series temporales sin procesar o datos transformados de Fourier como entradas no funcionaban tan bien128. Esto muestra que los investigadores deben seleccionar cuidadosamente las técnicas de preprocesamiento cuando utilizan CNN, ya que esta elección puede alterar significativamente el rendimiento del algoritmo. Sin embargo, el uso de datos transformados de Fourier mejoró la clasificación de temblores basada en CNN. Kim et al., en 2018, informaron una precisión de ~85 % al estimar puntuaciones UPDRS utilizando una CNN de 3 capas con una capa final de clasificación soft-max. En lugar de extraer características específicas de los datos del acelerómetro para usarlas como entradas para la CNN, Kim et al. utilizó una imagen FFT 2D apilada de los datos del acelerómetro triaxial y del giroscopio129.

Los investigadores también han experimentado con varias arquitecturas y estructuras de CNN. Pereira et al. comparó CNN con arquitecturas ImageNet o Cifar10 con un bosque de ruta óptima, una máquina de vectores de soporte con función de base radial y Näive-Bayes utilizando datos de 4 tareas de dibujo (por ejemplo, dibujo en espiral) y 2 de movimiento de muñeca para distinguir a los pacientes de Parkinson de los pacientes de control según temblor. En general, las CNN superaron a las otras técnicas de aprendizaje automático con respecto a la precisión de la clasificación cuando utilizaron datos de cada tarea antes mencionada por separado (caso de evaluación única) y cuando combinaron datos de cada tarea (caso de evaluación combinada)130. Sigcha et al. en 2020 quiso modelar las dependencias temporales de FoG y utilizó una estructura CNN novedosa combinando una CNN clásica con una red neuronal recurrente de memoria a largo plazo (LSTM) para clasificar episodios de FoG y no FoG. Utilizando datos transformados de Fourier de una IMU sobre la cintura de los pacientes como entrada, la combinación CNN-LSTM logró un AUC de 0,939131.

Las CNN también han sido útiles más allá de las tareas de clasificación. En 2020, Ibrahim et al. utilizaron una CNN con perceptrón para estimar la amplitud del temblor futuro en pasos de tiempo de 10, 20, 50 y 100 milisegundos, con una precisión de predicción que oscilaba entre el 90 y el 97%132. Es probable que tanto las redes neuronales tradicionales como las convolucionales sigan siendo útiles en el análisis de los síntomas de la EP basado en el aprendizaje automático.

La tecnología y las técnicas computacionales utilizadas para monitorear los síntomas motores de la EP han evolucionado al mismo tiempo. A medida que la tecnología mejora, se deben desarrollar y optimizar diferentes técnicas computacionales para manejar cantidades cada vez mayores de datos recopilados por nuevos dispositivos. Lo mismo se aplica a la inversa. A medida que se realizan avances en la computación que permiten a los investigadores formular y responder diferentes preguntas, se deben desarrollar nuevas tecnologías que puedan facilitar estos nuevos análisis.

El cambio más importante y general observado en la tecnología utilizada para diagnosticar y monitorear la EP en los últimos 50 años ha sido la transición del monitoreo en el laboratorio al hogar. Sin duda, esta evolución tecnológica ha ido acompañada de un cambio en los enfoques computacionales. Fundamentalmente, las técnicas utilizadas para analizar los datos recopilados en entornos de laboratorio bien controlados deben ser diferentes de las necesarias para analizar los datos recopilados en condiciones del mundo real. Como tal, la evolución de la tecnología requirió métodos computacionales que pudieran: (1) mejorar las señales de eliminación de ruido, (2) hacer predicciones con grandes conjuntos de datos estructurados y (3) hacer predicciones con grandes conjuntos de datos no estructurados.

El diagnóstico y la monitorización de la EP en el laboratorio generan datos con menos ruido en comparación con los datos generados a partir de la monitorización en el mundo real. Esto se manifiesta de dos maneras. En primer lugar, la propia señal de datos contiene menos ruido ambiental. Por ejemplo, al utilizar micrófonos de alta calidad o trabajar en habitaciones insonorizadas, los investigadores pueden controlar el ruido ambiental si graban muestras de voz de pacientes con EP133,134. En otro nivel, los datos de la mayoría de los estudios realizados en laboratorio están "eliminados de ruido" o simplificados debido a la estructura inherente incorporada a estos estudios. La evaluación de las anomalías de la marcha mediante la prueba cronometrada de subir y bajar o la cuantificación del temblor mediante pruebas de dibujo de círculos produce datos muy consistentes y uniformes, ya que los participantes han ejecutado las mismas tareas de la misma manera para generar los datos. Este no es el caso en entornos del mundo real. A medida que la tecnología permitió la recopilación de datos del mundo real, la eliminación de ruido se convirtió en una de las primeras prioridades, tanto a través de un simple filtrado77 como del etiquetado de datos (por ejemplo, etiquetado de relojes inteligentes si un participante estaba corriendo, nadando o durmiendo)135. Sin embargo, además de agregar funcionalidades para manejar datos ruidosos, las técnicas computacionales fundamentales, como los análisis de frecuencia y las pruebas estadísticas, seguían siendo adecuadas.

La adopción del aprendizaje automático generalmente se correlaciona con la capacidad de recopilar cantidades cada vez mayores de datos, lo que ha permitido a los investigadores formular nuevas preguntas. El mejor ejemplo de esto es la adopción de dispositivos inteligentes. Antes, los investigadores podían pedir a los participantes que usaran acelerómetros, giroscopios, monitores de frecuencia cardíaca, etc. para recopilar diversos tipos de datos. Los dispositivos inteligentes permitieron la consolidación de dispositivos, mejorando la facilidad de uso para los pacientes y, por lo tanto, aumentando la cantidad de datos que se podían recopilar. Aún más, los dispositivos inteligentes mejoraron la facilidad para recopilar datos cualitativos. En lugar de depender de los diarios de los pacientes o de recordarlos, el monitoreo basado en aplicaciones en teléfonos o tabletas permitió a los pacientes proporcionar de manera más fluida datos cualitativos relacionados con la adherencia a la medicación, los niveles de ejercicio, el estado de ánimo, etc.

Con acceso a mayores volúmenes y tipos de datos, los investigadores y médicos comenzaron a hacer preguntas que eran más adecuadas para el análisis con técnicas de ML que sin técnicas de ML. En términos generales, estas preguntas se pueden asignar a dos categorías: (1) predicciones y (2) clasificaciones. Al investigar la EP, los investigadores estaban interesados ​​en predecir la gravedad de los síntomas y la progresión de la enfermedad, al mismo tiempo que clasificaban a los pacientes con fines diagnósticos y terapéuticos. Los algoritmos de aprendizaje automático eran específicamente adecuados para esta tarea dada su capacidad para aprovechar las no linealidades y manejar de manera más eficiente grandes conjuntos de datos. Por ejemplo, las redes neuronales permitieron a los investigadores descubrir relaciones complejas y no lineales entre datos cuantitativos (p. ej., frecuencia de temblores) y cualitativos (p. ej., adherencia a la medicación) para predecir puntuaciones de UPDRS, mientras que SVM permitió datos de alta dimensión (>3 variables independientes). clasificación. Dado que los dispositivos inteligentes brindaban acceso a grandes cantidades de datos, los investigadores aprovecharon algoritmos como el bosque aleatorio que paralelizaba las tareas de clasificación y predicción, haciendo que los análisis de datos fueran más eficientes y reveladores.

Está claro que las técnicas computacionales y la tecnología utilizadas para monitorear la EP han evolucionado conjuntamente a lo largo de los años. A medida que avance la tecnología, se necesitarán nuevas técnicas computacionales para aprovechar las funcionalidades mejoradas de las tecnologías y viceversa.

La tecnología utilizada para monitorear y cuantificar los síntomas motores del Parkinson ha experimentado una rápida transformación en las últimas décadas. La monitorización inicial comenzó con dispositivos en el laboratorio, como EMG con aguja, pasó al uso de acelerómetros/giroscopios en el laboratorio, luego a acelerómetros/giroscopios más portátiles y, finalmente, a una monitorización basada en teléfonos, móviles y aplicaciones web en los hogares de los pacientes. El cambio de la monitorización en el laboratorio a la monitorización en el hogar permitirá a los médicos tomar decisiones más basadas en datos con respecto al manejo de pacientes. En la misma línea, se han logrado importantes avances respecto al uso del aprendizaje automático para clasificar y monitorizar a los pacientes de Parkinson. Utilizando datos de múltiples fuentes diferentes (p. ej., sensores de movimiento portátiles, acelerómetros basados ​​en teléfonos, cámaras de video), los investigadores han diseñado algoritmos de aprendizaje automático basados ​​en redes neuronales y no neuronales para clasificar/categorizar a los pacientes de Parkinson según temblores, marcha y bradicinesia. y discinesia. Otros avances en estos algoritmos crearán formas más objetivas y cuantitativas para que los médicos diagnostiquen y traten a los pacientes con Parkinson.

A medida que el aprendizaje automático se vuelve más frecuente en la medicina, reguladores como la Administración de Alimentos y Medicamentos (FDA) están desarrollando nuevos protocolos para evaluar la seguridad y eficacia de las tecnologías sanitarias basadas en ML. El plan delineado por la FDA para mejorar la evaluación de estas tecnologías incluye: (1) delinear “buenas prácticas de aprendizaje automático”, (2) establecer pautas para la transparencia de los algoritmos, (3) apoyar la investigación sobre la evaluación y mejora de los algoritmos, y (4) establecer directrices sobre la recopilación de datos del mundo real para la aprobación inicial y el seguimiento posterior a la aprobación136. A medida que este plan entre en acción en los próximos años, los criterios de valoración de los ensayos para enfermedades probablemente seguirán siendo métricas clínicas establecidas (por ejemplo, UPDRS) en lugar de métricas novedosas generadas por nuevos dispositivos impulsados ​​por ML137,138. Sin embargo, parece haber un futuro en el que las métricas generadas por dispositivos reemplazarán o se utilizarán junto con las métricas clínicas tradicionales. En el caso de la monitorización de la EP, la aprobación por parte de la FDA del dispositivo KinesiaU y del portal de proveedores de Great Lakes NeuroTechnologies para monitorear los síntomas motores de la EP es un primer paso en esa dirección139. Sin duda, el aprendizaje automático desempeñará un papel cada vez más importante en la medicina, y los investigadores en este campo deben monitorear cuidadosamente las acciones de la FDA para navegar en este nuevo entorno de atención médica.

La monitorización digital de la EP ha permitido comprender los síntomas de los pacientes a un nivel de detalle nunca antes visto. Antes de la adopción de dispositivos portátiles e inteligentes en este campo, los médicos no veían la manifestación de los síntomas motores de la EP fuera de la clínica (p. ej., cepillarse los dientes, hacer ejercicio, conducir). La monitorización basada en dispositivos también ha ayudado a llenar los vacíos que dejan los diarios de los pacientes, a veces inexactos o incompletos. Sin embargo, existen muchas barreras para la adopción clínica total de la monitorización digital, incluido el costo de los dispositivos digitales, la falta de canales seguros y confiables para transferir datos a los médicos y tal vez las capacidades tecnológicas de los pacientes con EP140. Estas barreras pueden comenzar a superarse a través de: (1) asociaciones público-privadas que ayuden a reducir el costo de los dispositivos digitales que los sistemas hospitalarios pueden proporcionar a sus pacientes, (2) un mayor enfoque en la infraestructura de almacenamiento y recuperación de datos, y (3) atención a los pacientes. educación.

En el futuro, una transición hacia un monitoreo verdaderamente continuo de los síntomas de la EP tiene el mayor potencial al aprovechar aplicaciones móviles fáciles de usar en dispositivos inteligentes (p. ej., teléfonos inteligentes, relojes inteligentes) que puedan integrar datos cuantitativos y cualitativos (p. ej., encuestas de calidad de vida). para que los médicos comprendan mejor la experiencia de un paciente con Parkinson. Un mayor desarrollo de estas aplicaciones, junto con la transmisión y el almacenamiento de datos en vivo en la nube mejorarán la usabilidad y utilidad de estas tecnologías. La incorporación del aprendizaje automático a estas funcionalidades puede permitir que los médicos realicen diagnósticos y estadificaciones más objetivos de la enfermedad y capacidades predictivas mejoradas para identificar la progresión de la enfermedad. Sin embargo, queda mucho trabajo por hacer en relación con el desarrollo de mejores biomarcadores de enfermedades para entrenar estos algoritmos de aprendizaje automático. Los biomarcadores confiables deben identificar con precisión los síntomas de la EP en todas las poblaciones de pacientes y etapas de la enfermedad. Es posible que estos biomarcadores también deban ser diferentes en diferentes contextos (p. ej., el temblor al conducir es diferente del temblor al cepillarse los dientes). Identificar los matices de los biomarcadores digitales será esencial para aprovechar todo el potencial del aprendizaje automático y la alta tecnología en el seguimiento de los síntomas del Parkinson.

Consultamos la base de datos PubMed de la Biblioteca Nacional de Medicina de EE. UU. (PubMed). Se utilizaron cinco términos de búsqueda compuestos para consultar en PubMed publicaciones sobre aprendizaje automático y computación y ensayos clínicos: “Parkinson” + SÍNTOMA + (1) aprendizaje automático, (2) red neuronal, (3) cuantificación, (4) análisis y (5 ) monitoreo donde “SÍNTOMA” era “temblor”, “marcha”, “bradicinesia” o “discinesia”. Estas consultas dieron como resultado 10.200 artículos. Se identificaron manuscritos sobre tecnología para monitorear los síntomas de la EP en PubMed con términos de búsqueda avanzada: ((detección automática) OR (clasificación) OR (wearables) OR (salud digital) OR (sensores)) AND “Parkinson's” + SÍNTOMA. Estas consultas dieron como resultado 2600 artículos. Los estudios primero se deduplicaron y luego se excluyeron si no tenían disponibilidad de texto completo, utilizaban datos de humanos o evaluaban la EP específicamente. También se excluyeron capítulos de libros, artículos de revisión y “comunicaciones breves”. Se revisaron los títulos y resúmenes antes de evaluar más a fondo un subconjunto de artículos representativos en inglés. Estos artículos fueron seleccionados porque caracterizaban mejor los cronogramas de tecnología y aprendizaje automático que se manifestaron al revisar la literatura.

Más información sobre el diseño de la investigación está disponible en el Resumen de informes de investigación de la naturaleza vinculado a este artículo.

Los datos utilizados para generar las figuras y tablas están disponibles públicamente para los investigadores a través de la Biblioteca Nacional de Medicina. Se aceptan consultas adicionales al autor correspondiente.

Liang, T.-W. & Tarsy, D. En Up To Date (ed. Post, TW) (UpToDate, 2021).

Potencias, R. et al. Los sensores inerciales de los relojes inteligentes monitorean continuamente las fluctuaciones motoras del mundo real en la enfermedad de Parkinson. Ciencia. Traducción Medicina. 13, eabd7865 (2021).

Rovini, E., Maremmani, C. y Cavallo, F. Cómo los sensores portátiles pueden respaldar el diagnóstico y el tratamiento de la enfermedad de Parkinson: una revisión sistemática. Frente. Neurociencias. 11, 555 (2017).

Kovosi, S. & Freeman, M. Administración oportuna de medicamentos para la enfermedad de Parkinson. Enfermería 41, 66 (2011).

PubMed Google Académico

Grissinger, M. La administración retrasada y los medicamentos contraindicados colocan a los pacientes hospitalizados con enfermedad de Parkinson en. Riesgo. PT 43, 10–39 (2018).

PubMed Google Académico

Groiss, SJ, Wojtecki, L., Südmeyer, M. & Schnitzler, A. Estimulación cerebral profunda en la enfermedad de Parkinson. El r. Adv. Neurol. Desorden. 2, 20-28 (2009).

CAS PubMed PubMed Central Google Académico

Grupo de trabajo de la Sociedad de Trastornos del Movimiento sobre escalas de calificación para la enfermedad de Parkinson. La Escala unificada de Calificación de la Enfermedad de Parkinson (UPDRS): estado y recomendaciones. Mov. Desorden. 18, 738–750 (2003).

Google Académico

Goetz, CG y cols. Revisión patrocinada por la Movement Disorder Society de la Escala Unificada de Calificación de la Enfermedad de Parkinson (MDS-UPDRS): proceso, formato y plan de pruebas clinimétricas. Mov. Desorden. 22, 41–47 (2007).

PubMed Google Académico

Luis, ED y cols. Correlatos clínicos del temblor de acción en la enfermedad de Parkinson. Arco. Neurol. 58, 1630 (2001).

CAS PubMed Google Académico

Heldman, DA y cols. La escala de calificación de bradicinesia modificada para la enfermedad de Parkinson: confiabilidad y comparación con medidas cinemáticas. Mov. Desorden. 26, 1859–1863 (2011).

PubMed PubMed Central Google Académico

Bathien, N., Koutlidis, RM y Rondot, P. Patrones de EMG en movimientos involuntarios anormales inducidos por neurolépticos. J. Neurol. Neurocirugía. Psiquiatría 47, 1002–1008 (1984).

CAS PubMed PubMed Central Google Académico

Andrews, CJ Influencia de la distonía en la respuesta a la terapia con L-dopa a largo plazo en la enfermedad de Parkinson. J. Neurol. Neurocirugía. Psiquiatría 36, ​​630–636 (1973).

CAS PubMed PubMed Central Google Académico

Milner-Brown, HS, Fisher, MA y Weiner, WJ Propiedades eléctricas de las unidades motoras en el parkinsonismo y una posible relación con la bradicinesia. J. Neurol. Neurocirugía. Psiquiatría 42, 35–41 (1979).

CAS PubMed PubMed Central Google Académico

Hacisalihzade, SS, Albani, C. y Mansour, M. Medición de los síntomas parkinsonianos con un dispositivo de seguimiento. Computadora. Métodos Prog. Biomédica. 27, 257–268 (1988).

CAS Google Académico

Beuter, A., de Geoffroy, A. y Cordo, P. La medición del temblor mediante sistemas láser simples. J. Neurosci. Métodos 53, 47–54 (1994).

CAS PubMed Google Académico

Weller, C. y col. Definición de pequeñas diferencias en la eficacia entre agentes antiparkinsonianos mediante análisis de la marcha: una comparación de dos formulaciones de liberación controlada de levodopa/inhibidor de la descarboxilasa. Hno. J.Clin. Farmacéutica. 35, 379–385 (1993).

CAS Google Académico

O'Suilleabhain, PE & Dewey, RB Validación para la cuantificación de temblores de un dispositivo de seguimiento electromagnético. Mov. Desorden. 16, 265–271 (2001).

PubMed Google Académico

Deuschl, G., Lauk, M. & Timmer, J. Clasificación de temblores y análisis de series temporales de temblores. Caos: Interdisciplina. J. Ciencia no lineal. 5, 48 (1998).

Google Académico

Spyers-Ashby, JM, Stokes, MJ, Bain, PG y Roberts, SJ Clasificación de temblores normales y patológicos mediante un sistema electromagnético multidimensional. Medicina. Ing. Física. 21, 713–723 (1999).

CAS PubMed Google Académico

Rajaraman, V. y col. Un nuevo método cuantitativo para la medición 3D del temblor parkinsoniano. Clínico. Neurofisiol. 111, 338–343 (2000).

CAS PubMed Google Académico

Hoff, JI, van der Meer, V. y van Hilten, JJ Precisión de la acelerometría ambulatoria objetiva en la detección de complicaciones motoras en pacientes con enfermedad de Parkinson. Clínico. Neurofarmacol. 27, 53–57 (2004).

CAS PubMed Google Académico

Dunnewold, RJW y cols. Evaluación cuantitativa ambulatoria de la posición corporal, bradicinesia e hipocinesia en la enfermedad de Parkinson. J.Clin. Neurofisiol. 15, 235–242 (1998).

CAS PubMed Google Académico

Hoff, JI, van den Plas, AA, Wagemans, EA y van Hilten, JJ Evaluación acelerométrica de las discinesias inducidas por levodopa en la enfermedad de Parkinson. Mov. Trastorno. 16, 58–61 (2001).

CAS PubMed Google Académico

Dunnewold, RJW, Jacobi, CE y van Hilten, JJ Evaluación cuantitativa de la bradicinesia en pacientes con enfermedad de Parkinson. J. Neurosci. Métodos 74, 107–112 (1997).

CAS PubMed Google Académico

Salariano, A. et al. Cuantificación del temblor y la bradicinesia en la enfermedad de Parkinson mediante un novedoso sistema de monitorización ambulatoria. Traducción IEEE. Biomédica. Ing. 54, 313–322 (2007).

PubMed Google Académico

Mera, TO, Heldman, DA, Espay, AJ, Payne, M. & Giuffrida, JP Viabilidad de la evaluación motora automatizada de la enfermedad de Parkinson en el hogar. J. Neurosci. Métodos 203, 152-156 (2012).

PubMed Google Académico

Heldman, DA y cols. Cuantificación automatizada del sensor de movimiento de la marcha y bradicinesia de las extremidades inferiores. Conf. Proc. Ing. IEEE. Medicina Biol. Soc. 2012, 1956-1959 (2012).

PubMed Central Google Académico

Phan, D., Horne, M., Pathirana, PN y Farzanehfar, P. Medición de la rigidez axial y la inestabilidad postural mediante sensores portátiles. Sensores (Basilea) 18, 495 (2018).

Salariano, A. et al. El análisis de giros de 180° mediante un sistema inercial revela signos tempranos de progreso en la enfermedad de Parkinson. Conf. Proc. Ing. IEEE. Medicina Biol. Soc. 2009, 224–227 (2009).

PubMed Central Google Académico

Moore, ST y cols. Identificación autónoma de la congelación de la marcha en la enfermedad de Parkinson a partir de acelerometría segmentaria de la parte inferior del cuerpo. J. Neuroeng. Rehabilitación. 10, 19 (2013).

PubMed PubMed Central Google Académico

Mancini, M. y col. Medición de la congelación de la marcha durante la vida diaria: un enfoque de sensores portátiles de código abierto. J. Neuroeng. Rehabilitación. 18, 1 (2021).

PubMed PubMed Central Google Académico

Reches, T. et al. Uso de sensores portátiles y aprendizaje automático para detectar automáticamente la congelación de la marcha durante una prueba de provocación de niebla. Sensores (Basilea) 20, 4474 (2020).

Tripoliti, EE et al. Detección automática de congelación de eventos de la marcha en pacientes con enfermedad de Parkinson. Computadora. Métodos Prog. Biomédica. 110, 12-26 (2013).

Google Académico

Zach, H. y col. Identificación de la congelación de la marcha en la enfermedad de Parkinson durante tareas que provocan congelación mediante acelerometría montada en la cintura. Parkinsonismo. Relacionado. Desorden. 21, 1362-1366 (2015).

PubMed Google Académico

Manson, A. et al. Un monitor ambulatorio de discinesia. J. Neurol. Neurocirugía. Psiquiatría 68, 196–201 (2000).

CAS PubMed PubMed Central Google Académico

Pulliam, CL y cols. Evaluación continua de la respuesta a la levodopa en la enfermedad de Parkinson mediante sensores de movimiento portátiles. Traducción IEEE. Biomédica. Ing. 65, 159-164 (2018).

PubMed Google Académico

Rodríguez-Molinero, A. et al. Estimación de la gravedad de la discinesia en la enfermedad de Parkinson mediante el uso de un sensor que se lleva en la cintura: estudio de validez concurrente. Ciencia. Rep. 9, 13434 (2019).

Giovannoni, G., van Schalkwyk, J., Fritz, V. & Lees, A. Prueba de incoordinación de acinesia y bradicinesia (PRUEBA CEREBRAL): una evaluación computarizada objetiva de la función motora de las extremidades superiores. J. Neurol. Neurocirugía. Psiquiatría 67, 624–629 (1999).

CAS PubMed PubMed Central Google Académico

Allen, DP y cols. Sobre el uso de periféricos informáticos de bajo costo para la evaluación de la disfunción motora en la enfermedad de Parkinson: cuantificación de la bradicinesia mediante tareas de seguimiento de objetivos. Traducción IEEE. Sistema neuronal. Ing. Rehabilitación. 15, 286–294 (2007).

CAS Google Académico

Espay, AJ et al. Entrenamiento en casa con un dispositivo de señales de realidad aumentada de circuito cerrado para mejorar la marcha en pacientes con enfermedad de Parkinson. J. Rehabilitación. Res. Desarrollo. 47, 573 (2010).

PubMed Google Académico

Bachlin, M. y col. Asistente portátil para pacientes con enfermedad de Parkinson con síntomas de congelación de la marcha. Traducción IEEE. inf. Tecnología. Biomédica. 14, 436–446 (2010).

PubMed Google Académico

Lee, A. y col. ¿Puede la tecnología Google GlassTM mejorar la congelación de la marcha en el parkinsonismo? Un estudio piloto. Desactivar. Rehabilitación. Asistir. Tecnología. 1–11. https://doi.org/10.1080/17483107.2020.1849433 (2020).

Rao, AS et al. Cuantificación de la discinesia inducida por fármacos en pacientes con enfermedad de Parkinson mediante vídeos estandarizados. En: 2008 30ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología IEEE 1769–1772. https://doi.org/10.1109/IEMBS.2008.4649520 (2008).

van Hilten, JJ, Middelkoop, HA, Kerkhof, GA y Roos, RA Un nuevo enfoque en la evaluación de la actividad motora en la enfermedad de Parkinson. J. Neurol. Neurocirugía. Psiquiatría 54, 976–979 (1991).

PubMed PubMed Central Google Académico

Burne, JA, Hayes, MW, Fung, VSC, Yiannikas, C. y Boljevac, D. La contribución de los estudios de temblor al diagnóstico del temblor parkinsoniano y esencial: una evaluación estadística. J.Clin. Neurociencias. 9, 237–242 (2002).

CAS PubMed Google Académico

Cole, BT, Roy, SH, Luca, CJD y Nawab, SH Detección de redes neuronales dinámicas de temblores y discinesia a partir de datos de sensores portátiles. En: Conferencia Internacional Anual de 2010 del IEEE Ingeniería en Medicina y Biología 6062–6065. https://doi.org/10.1109/IEMBS.2010.5627618 (2010).

Tsipouras, MG et al. Una metodología automatizada para la discinesia inducida por levodopa: evaluación basada en señales de giroscopio y acelerómetro. Artif. Intel. Medicina. 55, 127-135 (2012).

PubMed Google Académico

Papapetropoulos, S. y col. Cuantificación objetiva de los síntomas neuromotores en la enfermedad de Parkinson: implementación de una herramienta de medición computarizada y portátil. Enfermedad de Parkinson. 2010, (2010).

Yang, C.-C., Hsu, Y.-L., Shih, K.-S. y Lu, J.-M. Reconocimiento de parámetros del ciclo de la marcha en tiempo real mediante un sistema de acelerometría portátil. Sensores (Basilea) 11, 7314–7326 (2011).

Google Académico

Klucken, J. y col. Un análisis de la marcha imparcial y móvil detecta deterioro motor en la enfermedad de Parkinson. MÁS UNO 8, e56956 (2013).

Marcante, A. et al. Sensores portátiles de presión del pie para la detección de la congelación de la marcha en la enfermedad de Parkinson. Sensores (Basilea) 21, 128 (2020).

Mahadevan, N. y col. Desarrollo de biomarcadores digitales para temblor en reposo y bradicinesia mediante un dispositivo portátil que se lleva en la muñeca. npj Medicina Digital. 3, 1-12 (2020).

Google Académico

Heldman, DA y cols. Manejo de telesalud de la enfermedad de Parkinson mediante sensores portátiles: estudio exploratorio. Biomarca de dígitos. 1, 43–51 (2017).

PubMed PubMed Central Google Académico

Ferreira, JJ et al. Evaluación cuantitativa domiciliaria de los síntomas de Parkinson: el estudio de viabilidad y usabilidad de SENSE-PARK. BMC Neurol. 15, 89 (2015).

PubMed PubMed Central Google Académico

Fisher, JM, Hammerla, NY, Rochester, L., Andras, P. y Walker, RW Sensores corporales en la enfermedad de Parkinson: evaluación de su aceptabilidad para los pacientes. Telemed. JE Health 22, 63–69 (2016).

PubMed PubMed Central Google Académico

Evers, LJ y cols. El rendimiento de la marcha en la vida real como biomarcador digital de las fluctuaciones motoras: el estudio de validación Parkinson@Home. J. Med. Resolución de Internet. 22, e19068 (2020).

Erb, MK y cols. La salud móvil y la tecnología portátil deberían reemplazar los diarios motores para rastrear las fluctuaciones motoras en la enfermedad de Parkinson. npj Medicina Digital. 3, 1-10 (2020).

Google Académico

Chen, B. y col. Un sistema basado en web para el seguimiento domiciliario de pacientes con enfermedad de Parkinson mediante sensores portátiles. Traducción IEEE. Biomédica. Ing. 58, 831–836 (2011).

PubMed Google Académico

Cancela, J., Pastorino, M., Arredondo, MT & Hurtado, O. Un sistema de telesalud para el seguimiento remoto de la enfermedad de Parkinson. El enfoque REALIZAR. En: 2013 35ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE 7492–7495. https://doi.org/10.1109/EMBC.2013.6611291 (2013).

Daneault, J.-F., Carignan, B., Codère, C. É., Sadikot, AF y Duval, C. Uso de un teléfono inteligente como plataforma independiente para la detección y seguimiento de temblores patológicos. Frente. Tararear. Neurociencias. 6, 357 (2013).

Lo, C. et al. Predecir el deterioro motor, cognitivo y funcional en el Parkinson. Ana. Clínico. Traducción Neurol. 6, 1498-1509 (2019).

PubMed PubMed Central Google Académico

Kostikis, N., Hristu-Varsakelis, D., Arnaoutoglou, M., Kotsavasiloglou, C. y Baloyiannis, S. Hacia la evaluación remota de los trastornos del movimiento a través de teléfonos inteligentes. En: Conferencia Internacional Anual de 2011 de la Sociedad de Ingeniería en Medicina y Biología IEEE 5240–5243. https://doi.org/10.1109/IEMBS.2011.6091296 (2011).

van Brummelen, EMJ y cols. La cuantificación del temblor mediante acelerometría de productos de consumo es factible en pacientes con temblor esencial y enfermedad de Parkinson: un estudio comparativo. J.Clin. Mov. Desorden. 7, 4 (2020).

Banaszkiewicz, K., Rudzińska, M., Bukowczan, S., Izworski, A. & Szczudlik, A. Tiempo de dibujo en espiral como medida de la bradicinesia. Neurol. Neurochir. Medio. 43, 16-21 (2009).

PubMed Google Académico

Silva de Lima, AL et al. Viabilidad del despliegue a gran escala de múltiples sensores portátiles en la enfermedad de Parkinson. MÁS UNO 12, e0189161 (2017).

Prince, J., Andreotti, F. y De Vos, M. Aprendizaje conjunto de múltiples fuentes para la predicción remota de la enfermedad de Parkinson en presencia de datos faltantes en la fuente. Traducción IEEE. Biomédica. Ing. 66, 1402-1411 (2018).

PubMed Google Académico

Daneault, J.-F. et al. Datos del acelerómetro recopilados con un conjunto mínimo de sensores portátiles de sujetos con enfermedad de Parkinson. Datos científicos 8, 48 (2021).

Keijsers, NLW, Horstink, MWIM y Gielen, SCAM Evaluación automática de discinesias inducidas por levodopa en la vida diaria mediante redes neuronales. Mov. Desorden. 18, 70–80 (2003).

PubMed Google Académico

Patel, S. y col. Monitoreo de las fluctuaciones motoras en pacientes con enfermedad de Parkinson mediante sensores portátiles. Traducción IEEE. inf. Tecnología. Biomédica. 13, 864–873 (2009).

PubMed PubMed Central Google Académico

Ghoraani, B., Hssayeni, MD, Bruack, MM y Jimenez-Shahed, J. Funciones multinivel para la evaluación basada en sensores de la fluctuación motora en sujetos con enfermedad de Parkinson. IEEE J. Biomed. Inf. de Salud. 24, 1284-1295 (2020).

Google Académico

Aich, S. y col. Un enfoque de aprendizaje automático supervisado para detectar el estado de encendido/apagado en la enfermedad de Parkinson utilizando señales de marcha basadas en dispositivos portátiles. Diagnóstico (Basilea) 10, 421 (2020).

Zhan, A. y col. Uso de teléfonos inteligentes y aprendizaje automático para cuantificar la gravedad de la enfermedad de Parkinson. JAMA Neurol. 75, 876–880 (2018).

PubMed PubMed Central Google Académico

Pfister, FMJ y cols. Detección del estado motor de alta resolución en la enfermedad de Parkinson mediante redes neuronales convolucionales. Ciencia. Rep. 10, 5860 (2020).

CAS PubMed PubMed Central Google Académico

Lu, M. y col. Estimación basada en la visión de las puntuaciones de la marcha MDS-UPDRS para evaluar la gravedad motora de la enfermedad de Parkinson. Medicina. Computación de imágenes. Computadora. Asistencia Int. 12263, 637–647 (2020).

Google Académico

Chen, S.-W. et al. Cuantificación y reconocimiento de la marcha parkinsoniana a partir de imágenes de vídeo monoculares mediante análisis de componentes principales basado en kernel. Biomédica. Ing. En línea 10, 99 (2011).

PubMed PubMed Central Google Académico

Bank, PJM, Marinus, J., Meskers, CGM, de Groot, JH y van Hilten, JJ Seguimiento óptico de la mano: una técnica novedosa para la evaluación de la bradicinesia en la enfermedad de Parkinson. Mov. Desorden. Clínico. Pr. 4, 875–883 (2017).

Google Académico

Arora, S. y col. Detección y seguimiento de los síntomas de la enfermedad de Parkinson mediante teléfonos inteligentes: un estudio piloto. Relacionado con el parkinsonismo. Desorden. 21, 650–653 (2015).

CAS PubMed Google Académico

Singh, S. & Xu, W. Detección sólida de la enfermedad de Parkinson utilizando datos de voz recopilados de teléfonos inteligentes: un enfoque de telemedicina. Telemed. JE Health 26, 327–334 (2020).

PubMed PubMed Central Google Académico

Rusz, J. y col. Un teléfono inteligente permite capturar anomalías del habla asociadas con un alto riesgo de desarrollar la enfermedad de Parkinson. Traducción IEEE. Sistema neuronal. Ing. Rehabilitación. 26, 1495-1507 (2018).

Google Académico

Sajal MSR et al. Telemonitorización de la enfermedad de Parkinson mediante aprendizaje automático combinando análisis de temblor y voz. Información cerebral. 7, 12 (2020).

Collobert, R., Bengio, S. y Marithoz, J. Torch: una biblioteca de software de aprendizaje automático modular (CiteSeerx, 2002).

Rumelhart, DE, Hinton, GE y Williams, RJ Representaciones de aprendizaje mediante errores de retropropagación. Naturaleza 323, 533–536 (1986).

Google Académico

Albers, JW, Potvin, AR, Tourtellotte, WW, Pew, RW & Stribley, RF Cuantificación del temblor de la mano en el examen neurológico clínico. Traducción IEEE. Biomédica. Ing. 20, 27–37 (1973).

CAS PubMed Google Académico

Burkhard, PR, Shale, H., Langston, JW & Tetrud, JW Cuantificación de la discinesia en la enfermedad de Parkinson: validación de un método instrumental novedoso. Mov. Desorden. 14, 754–763 (1999).

CAS PubMed Google Académico

Edwards, R. & Beuter, A. Índices para la identificación de temblores anormales utilizando sistemas informáticos de evaluación del temblor. Traducción IEEE. Biomédica. Ing. 46, 895–898 (1999).

CAS PubMed Google Académico

Matsumoto, Y., Fukumoto, I., Okada, K., Hando, S. y Teranishi, M. Análisis de temblores patológicos mediante el modelo de autorregresión. Frente. Medicina. Biol. Ing. 11, 221–235 (2001).

PubMed Google Académico

Elble, RJ y cols. La amplitud del temblor está relacionada logarítmicamente con escalas de calificación del temblor de 4 y 5 puntos. Cerebro 129, 2660–2666 (2006).

PubMed Google Académico

Blin, O., Ferrandez, AM y Serratrice, G. Análisis cuantitativo de la marcha en pacientes con Parkinson: mayor variabilidad de la longitud de la zancada. J. Ciencias neurológicas. 98, 91–97 (1990).

CAS Google Académico

Kim, J.-W. et al. Cuantificación de la bradicinesia durante los golpecitos clínicos con los dedos utilizando un girosensor en pacientes con enfermedad de Parkinson. Medicina. Biol. Ing. Computadora. 49, 365–371 (2011).

PubMed Google Académico

Lewis, GN, Byblow, WD y Walt, SE Regulación de la longitud de la zancada en la enfermedad de Parkinson: el uso de señales visuales extrínsecas. Cerebro 123, 2077-2090 (2000).

PubMed Google Académico

Sofuwa, O. y col. Análisis cuantitativo de la marcha en la enfermedad de Parkinson: comparación con un grupo control sano. Arco. Física. Medicina. Rehabilitación 86, 1007–1013 (2005).

Google Académico

Nair, P., Trisno, R., Baghini, MS, Pendharkar, G. y Chung, H. Predicción del parkinsonismo inducido por fármacos en etapa temprana mediante aprendizaje automático supervisado y no supervisado. En: 2020 42.a Conferencia Internacional Anual de la Sociedad de Ingeniería en Biología Médica (EMBC) del IEEE 776–779. https://doi.org/10.1109/EMBC44109.2020.9175343 (2020).

Chicco, D. Diez consejos rápidos para el aprendizaje automático en biología computacional. Biodatos mín. 10, 35 (2017).

PubMed PubMed Central Google Académico

Raschka, S. Evaluación de modelos, selección de modelos y selección de algoritmos en aprendizaje automático. Preimpresión en https://arxiv.org/abs/1811.12808 (2020).

Ali, S. & Smith, KA Sobre la selección de algoritmos de aprendizaje para la clasificación. Aplica. Computación blanda. 6, 119-138 (2006).

Google Académico

Kotthoff, L., Gent, IP y Miguel, I. Una evaluación del aprendizaje automático en la selección de algoritmos para problemas de búsqueda. Comunicación de IA. 25, 257–270 (2012).

Google Académico

Lee, I. & Shin, YJ Aprendizaje automático para empresas: aplicaciones, selección de algoritmos y desafíos. Autobús. Horizontal. 63, 157-170 (2020).

Google Académico

Awan, SE, Bennamoun, M., Sohel, F., Sanfilippo, FM y Dwivedi, G. Predicción basada en aprendizaje automático de reingreso o muerte por insuficiencia cardíaca: implicaciones de elegir el modelo correcto y las métricas correctas. ESC Heart Fail 6, 428–435 (2019).

PubMed PubMed Central Google Académico

Rigas, G. et al. Estimación del temblor UPDRS en el ambiente doméstico. En: 2016 38.ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE 3642–3645. https://doi.org/10.1109/EMBC.2016.7591517 (2016).

Aich, S. y col. Diseño de un sistema automatizado basado en un acelerómetro portátil asistido por aprendizaje automático para estudiar el efecto de la medicina dopaminérgica en las características de la marcha de los pacientes con Parkinson. J. Saludc. Ing. 2020, 1823268 (2020).

Kostikis, N., Hristu-Varsakelis, D., Arnaoutoglou, M. y Kotsavasiloglou, C. Una herramienta basada en teléfonos inteligentes para evaluar el temblor parkinsoniano de la mano. IEEE J. Biomed. Informe de salud. 19, 1835–1842 (2015).

CAS PubMed Google Académico

Vivar, G. et al. Análisis de características de contraste y homogeneidad para clasificar los niveles de temblor en pacientes con enfermedad de Parkinson. Sensores (Basilea) 19, 2072 (2019).

Lee, SI y cols. Un método novedoso para evaluar la gravedad de la discinesia inducida por levodopa mediante sensores portátiles. En 2015, 37.ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Medicina y Biología (EMBC) IEEE 8087–8090. https://doi.org/10.1109/EMBC.2015.7320270 (2015).

Hssayeni, MD, Jimenez-Shahed, J., Burack, MA y Ghoraani, B. Sensores portátiles para estimar la gravedad del temblor parkinsoniano durante los movimientos libres del cuerpo. Sensores (Basilea) 19, 4215 (2019).

Gao, C. y col. Técnicas de aprendizaje automático basadas y sin modelos para la predicción diagnóstica y la clasificación de resultados clínicos en la enfermedad de Parkinson. Ciencia. Rep. 8, 7129 (2018).

PubMed PubMed Central Google Académico

Rehman, RZU y cols. Selección de características de la marcha clínicamente relevantes para la clasificación de la enfermedad de Parkinson temprana: un enfoque integral de aprendizaje automático. Ciencia. Rep. 9, 17269 (2019).

Martínez-Manzanera, O. et al. Un método para la puntuación automática y objetiva de la bradicinesia utilizando sensores de orientación y algoritmos de clasificación. Traducción IEEE. Biomédica. Ing. 63, 1016-1024 (2016).

CAS PubMed Google Académico

Channa, A., Ifrim, R.-C., Popescu, D. & Popescu, N. Brazalete A-WEAR para la detección de temblor de manos y bradicinesia en pacientes de Parkinson. Sensores (Basilea) 21, 981 (2021).

Rehman, RZU y cols. Características de la marcha digital basadas en acelerometría para la clasificación de la enfermedad de Parkinson: ¿qué cuenta? IEEE Open J. Eng. Medicina. Biol. 1, 65–73 (2020).

Google Académico

Mirelman, A. et al. Detección de características de movilidad sensibles para las etapas de la enfermedad de Parkinson mediante aprendizaje automático. Mov. Desorden. 36, 2144-2155 (2021).

PubMed Google Académico

Rupprechter, S. y col. Un método basado en visión por computadora clínicamente interpretable para cuantificar la marcha en la enfermedad de Parkinson. Sensores (Basilea) 21, 5437 (2021).

Google Académico

de Araújo, ACA et al. Evaluación del temblor de la mano en reposo en pacientes sanos y con enfermedad de Parkinson: un estudio exploratorio de aprendizaje automático. Frente. Bioeng. Biotecnología. 8, 778 (2020).

Jeon, H. y col. Clasificación automática de alta precisión de la gravedad del temblor parkinsoniano mediante un método de aprendizaje automático. Fisiol. Medidas. 38, 1980-1999 (2017).

PubMed Google Académico

Ríos-Urrego, CD et al. Análisis y evaluación de la escritura a mano en pacientes con enfermedad de Parkinson mediante características cinemáticas, geométricas y no lineales. Computadora. Métodos Prog. Biomédica. 173, 43–52 (2019).

CAS Google Académico

Bazgir, O., Habibi, SAH, Palma, L., Pierleoni, P. & Nafees, S. Un sistema de clasificación para la evaluación y monitorización domiciliaria del temblor en pacientes con enfermedad de Parkinson. J. Med. Señales Sens. 8, 65–72 (2018).

PubMed PubMed Central Google Académico

Butt, AH y cols. Clasificación objetiva y automática de la enfermedad de Parkinson con el controlador Leap Motion. Biomédica. Ing. En línea 17, 168 (2018).

Heaton, J., McElwee, S., Fraley, J. y Cannady, J. Importancia de la función de estabilización temprana para las redes neuronales profundas de TensorFlow. En: Conferencia conjunta internacional sobre redes neuronales de 2017 (IJCNN) 4618–4624. https://doi.org/10.1109/IJCNN.2017.7966442 (2017).

Ghorbani, A., Abid, A. y Zou, J. Interpretación de redes neuronales. Proc. Conferencia AAAI. Artif. Intel. 33, 3681–3688 (2019).

Google Académico

Luna, S. et al. Clasificación de la enfermedad de Parkinson y el temblor esencial basada en las características del equilibrio y la marcha de sensores de movimiento portátiles mediante técnicas de aprendizaje automático: un enfoque basado en datos. J. Neuroeng. Rehabilitación. 17, 125 (2020).

Balaprakash, P., Salim, M., Uram, TD, Vishwanath, V. & Wild, SM DeepHyper: búsqueda asincrónica de hiperparámetros para redes neuronales profundas. En: 25.ª Conferencia Internacional del IEEE de 2018 sobre Computación de Alto Rendimiento (HiPC) 42–51. https://doi.org/10.1109/HiPC.2018.00014 (2018).

Thomas, AJ, Petridis, M., Walters, SD, Gheytassi, SM & Morgan, RE En Aplicaciones de ingeniería de redes neuronales (eds. Boracchi, G., Iliadis, L., Jayne, C. & Likas, A. ) 279 –290 (Springer International Publishing, 2017). https://doi.org/10.1007/978-3-319-65172-9_24.

Veeraragavan, S., Gopalai, AA, Gouwanda, D. & Ahmad, SA Diagnóstico de la enfermedad de Parkinson y evaluación de la gravedad mediante fuerzas de reacción del suelo y redes neuronales. Frente. Fisiol. 11, 587057 (2020).

Jakubowski, J., Kwiatos, K., Chwaleba, A. y Osowski, S. Estadísticas de orden superior y redes neuronales para el reconocimiento de temblores. Traducción IEEE. Biomédica. Ing. 49, 152-159 (2002).

PubMed Google Académico

Roy, SH, Cole, BT, Gilmore, LD, Luca, CJD y Nawab, SH Resolución de complejidades de señales para la monitorización ambulatoria de la función motora en la enfermedad de Parkinson. En: Conferencia Internacional Anual de 2011 de la Sociedad de Ingeniería en Medicina y Biología IEEE 4832–4835. https://doi.org/10.1109/IEMBS.2011.6091197 (2011).

Memedi, M. et al. Análisis automático en espiral para la evaluación objetiva de los síntomas motores en la enfermedad de Parkinson. Sensores (Basilea) 15, 23727–23744 (2015).

Google Académico

Butt, AH y cols. Evaluación de parámetros biomecánicos para la clasificación de la enfermedad de Parkinson a escala clínica. En t. J. Distribución. Sens. Red. 13, 1550147717707417 (2017).

Google Académico

Oung, QW, Muthusamy, H., Basah, SN, Lee, H. y Vijean, V. Características empíricas basadas en transformadas wavelet para la clasificación de la gravedad de la enfermedad de Parkinson. J. Med. Sistema. 42, 29 (2017).

PubMed Google Académico

Shi, B. y col. Red neuronal convolucional para congelar la detección de la marcha aprovechando la transformada wavelet continua en los datos de los sensores portátiles de las extremidades inferiores. En: 2020 42.a Conferencia Internacional Anual de la Sociedad de Ingeniería en Biología Médica (EMBC) del IEEE 5410–5415. https://doi.org/10.1109/EMBC44109.2020.9175687 (2020).

Kim, HB y cols. Cuantificación de la gravedad del temblor basada en sensores de muñeca en la enfermedad de Parkinson mediante una red neuronal convolucional. Computadora. Biol. Medicina. 95, 140-146 (2018).

PubMed Google Académico

Pereira, CR et al. Evaluación de la dinámica manuscrita a través de redes neuronales convolucionales: una aplicación a la identificación de la enfermedad de Parkinson. Artif. Intel. Medicina. 87, 67–77 (2018).

PubMed Google Académico

Sigcha, L. et al. Enfoques de aprendizaje profundo para detectar la congelación de la marcha en pacientes con enfermedad de Parkinson a través de sensores de aceleración corporales. Sensores (Basilea) 20, 1895 (2020).

Ibrahim, A., Zhou, Y., Jenkins, ME, Trejos, AL y Naish, MD El diseño de un predictor y estimador del temblor de Parkinson utilizando una red neuronal de perceptrón híbrido convolucional-multicapa. En: 2020 42ª Conferencia Internacional Anual de la Sociedad de Ingeniería en Biología Médica (EMBC) del IEEE 5996–6000. https://doi.org/10.1109/EMBC44109.2020.9176132 (2020).

Wang, EQ y cols. Efectos específicos del hemisferio de la estimulación cerebral profunda del núcleo subtalámico sobre la velocidad del habla y la precisión articulatoria de las repeticiones de sílabas en la enfermedad de Parkinson. J. Med. Idioma del habla. Patol. 14, 323–334 (2006).

PubMed PubMed Central Google Académico

Holmes, RJ, Oates, JM, Phyland, DJ y Hughes, AJ Características de la voz en la progresión de la enfermedad de Parkinson. Int. J. Lang. Comunitario. Desorden. 35, 407–418 (2000).

CAS PubMed Google Académico

Gatsios, D. et al. Viabilidad y utilidad de mhealth para el seguimiento remoto de la enfermedad de Parkinson: estudio auxiliar del ensayo controlado aleatorio Pd_Manager. JMIR Mhealth Uhealth 8, e16414 (2020).

PubMed PubMed Central Google Académico

Administración de Alimentos y Medicamentos de EE. UU. Plan de acción de software como dispositivo médico (SaMD) basado en inteligencia artificial/aprendizaje automático (AI/ML) (FDA, 2021).

Taylor, NP La FDA rechaza la solicitud de Verily para un dispositivo de ensayo clínico para el Parkinson que se lleva en la muñeca. Buceo MedTech https://www.medtechdive.com/news/fda-rejects-verily-filing-for-wrist-worn-parkinsons-clinical-trial-device-google/601724/ (2021).

Heldman, DA Desarrollo de algoritmos de cuantificación de trastornos del movimiento: ensayo clínico. (2017).

NeuroTechnologies, GL Great Lakes NeuroTechnologies lanza el portal de proveedores KinesiaU que permite la monitorización remota en tiempo real de pacientes con enfermedad de Parkinson. Great Lakes NeuroTechnologies https://www.glneurotech.com/blog/2021/01/08/great-lakes-neurotechnologies-releases-kinesiau-provider-portal-enabling-real-time-remote-monitoring-of-patients-with -enfermedad-de-parkinson/ (2021).

Espay, AJ et al. Una hoja de ruta para la implementación de medidas de resultados digitales centradas en el paciente en la enfermedad de Parkinson obtenidas mediante tecnologías de salud móviles. Mov. Desorden. 34, 657–663 (2019).

PubMed PubMed Central Google Académico

Deuschl, G., Lauk, M. & Timmer, J. Clasificación de temblores y análisis de series temporales de temblores. Caos Woodbury N 5, 48–51 (1995).

Google Académico

Van Someren, EJW Monitoreo actigráfico de los ritmos de movimiento y actividad de descanso en el envejecimiento, la enfermedad de Alzheimer y la enfermedad de Parkinson. Traducción IEEE. Rehabilitación. Ing. 5, 394–398 (1997).

PubMed Google Académico

Sekine, M., Akay, M., Tamura, T., Higashi, Y. y Fujimoto, T. Dinámica fractal del movimiento corporal en pacientes con enfermedad de Parkinson. J. Ing. Neural. 1, 8-15 (2004).

PubMed Google Académico

Giansanti, D., Macellari, V. & Maccioni, G. Telemonitoreo y telerehabilitación de pacientes con enfermedad de Parkinson: Evaluación de tecnologías sanitarias de un nuevo contador de pasos portátil. Telemed. E-Salud 14, 76–83 (2008).

Google Académico

Mancini, M., Zampieri, C., Carlson-Kuhta, P., Chiari, L. y Horak, FB Los ajustes posturales anticipados antes del inicio del paso son hipométricos en la enfermedad de Parkinson no tratada: un enfoque basado en acelerómetro. EUR. J. Neurol. 16, 1028-1034 (2009).

CAS PubMed PubMed Central Google Académico

Mancini, M. y col. La acelerometría del tronco revela inestabilidad postural en la enfermedad de Parkinson no tratada. Relacionado con el parkinsonismo. Desorden. 17, 557–562 (2011).

PubMed PubMed Central Google Académico

Morris, TR y cols. Evaluación clínica de la congelación de la marcha en la enfermedad de Parkinson a partir de animación generada por computadora. Postura de la marcha 38, 326–329 (2013).

PubMed Google Académico

Ginis, P. et al. Viabilidad y efectos del entrenamiento de retroalimentación automatizado en el hogar mediante teléfonos inteligentes para la marcha en personas con enfermedad de Parkinson: un ensayo piloto controlado aleatorio. Relacionado con el parkinsonismo. Desorden. 22, 28–34 (2016).

PubMed Google Académico

Cavanaugh, JT y cols. Capturando la disminución de la actividad ambulatoria en la enfermedad de Parkinson. J. Neurol. Física. El r. JNPT 36, 51–57 (2012).

PubMed Google Académico

Lakshminarayana, R. et al. Uso de una plataforma de autogestión basada en teléfonos inteligentes para respaldar la adherencia a la medicación y la consulta clínica en la enfermedad de Parkinson. Parque NPJ. Dis 3, 2 (2017).

Google Académico

Isaacson, SH et al. Efecto del uso de un dispositivo portátil sobre la toma de decisiones clínicas y los síntomas motores en pacientes con enfermedad de Parkinson que comienzan con el parche transdérmico de rotigotina: un estudio piloto. Relacionado con el parkinsonismo. Desorden. 64, 132-137 (2019).

PubMed Google Académico

Dominey, T. y col. Introducción del Parkinson's KinetiGraph en la atención rutinaria de la enfermedad de Parkinson: una experiencia de 3 años en un solo centro. J. Parque. Dis 10, 1827–1832 (2020).

Google Académico

Hadley, AJ, Riley, DE y Heldman, DA Evidencia del mundo real de una aplicación de evaluación motora del Parkinson basada en un reloj inteligente para pacientes sometidos a terapia. Cambios. Dígito. Biomarca. 5, 206–215 (2021).

PubMed Google Académico

Sundgren, M., Andréasson, M., Svenningsson, P., Noori, R.-M. & Johansson, A. ¿Influye la información del Parkinson KinetiGraphTM (PKG) en las decisiones de tratamiento del neurólogo? Un estudio observacional en la atención clínica de rutina de personas con enfermedad de Parkinson. J. Pers. Medicina. 11, 519 (2021).

PubMed PubMed Central Google Académico

Salariano, A. et al. Evaluación de la marcha en la enfermedad de Parkinson: hacia un sistema ambulatorio para el seguimiento a largo plazo. Traducción IEEE. Biomédica. Ing. 51, 1434-1443 (2004).

PubMed Google Académico

Chien, S.-L. et al. La eficacia del análisis cuantitativo de la marcha mediante el sistema GAITRite en la evaluación de la bradicinesia parkinsoniana. Relacionado con el parkinsonismo. Desorden. 12, 438–442 (2006).

PubMed Google Académico

Moore, ST, MacDougall, HG y Ondo, WG Monitorización ambulatoria de la congelación de la marcha en la enfermedad de Parkinson. J. Neurosci. Métodos 167, 340–348 (2008).

PubMed Google Académico

Giuffrida, JP, Riley, DE, Maddux, BN y Heldman, DA Tecnología KinesiaTM clínicamente implementable para la evaluación automatizada del temblor. Mov. Desorden. 24, 723–730 (2009).

PubMed Google Académico

Sant'Anna, A., Salarian, A. & Wickstrom, N. Una nueva medida de simetría del movimiento en pacientes con enfermedad de Parkinson temprana que utiliza el procesamiento simbólico de datos de sensores inerciales. Traducción IEEE. Biomédica. Ing. 58, 2127–2135 (2011).

PubMed Google Académico

Palmerini, L., Mellone, S., Rocchi, L. & Chiari, L. Reducción de dimensionalidad para la evaluación cuantitativa de una prueba Timed Up and Go basada en teléfonos inteligentes. Año. En t. Conf. Ing. IEEE. Medicina. Biol. Soc. Ing. IEEE. Medicina. Biol. Soc. Año. En t. Conf. 2011, 7179–7182 (2011).

Stamatakis, J. y col. Predicción de la puntuación clinimétrica al tocar los dedos en la enfermedad de Parkinson mediante acelerómetros de bajo costo. Computadora. Intel. Neurociencias. 2013, 717853 (2013).

PubMed PubMed Central Google Académico

Buchman, AS et al. Asociaciones entre medidas cuantitativas de movilidad derivadas de componentes de pruebas de movilidad convencionales y la marcha parkinsoniana en adultos mayores. MÁS UNO 9, e86262 (2014).

PubMed PubMed Central Google Académico

Keijsers, NLW, Horstink, MWIM & Gielen, SCAM Evaluación motora ambulatoria en la enfermedad de Parkinson. Mov. Desorden. 21, 34–44 (2006).

PubMed Google Académico

Alam, MN y col. Cuantificación del temblor de la enfermedad de Parkinson: un estudio piloto. en la Conferencia Internacional IEEE de 2016 sobre Tecnología de la Información Electrónica (EIT) 0755–0759 https://doi.org/10.1109/EIT.2016.7535334 (2016).

Samà, A. et al. Estimación de la gravedad de la bradicinesia en la enfermedad de Parkinson mediante el análisis de la marcha a través de un sensor que se lleva en la cintura. Computadora. Biol. Medicina. 84, 114-123 (2017).

PubMed Google Académico

Steinmetzer, T., Maasch, M., Bönninger, I. & Travieso, CM Análisis y clasificación de las disfunciones motoras en el balanceo de brazos en la enfermedad de Parkinson. Electrónica 8, 1471 (2019).

Google Académico

Liu, S. y col. Análisis integral del temblor en reposo basado en señales de aceleración de pacientes con enfermedad de Parkinson. Tecnología. Atención médica desactivada. J. Eur. Soc. Ing. Medicina. https://doi.org/10.3233/THC-213205 (2021).

Artículo de Google Scholar

Descargar referencias

Financiamiento de acceso abierto proporcionado por los Institutos Nacionales de Salud (NIH).

Facultad de Medicina, Centro de Ciencias de la Salud de la Universidad de Virginia, Charlottesville, VA, 22903, EE. UU.

Anirudha S. Chandrabhatla

Rama de Neurología Quirúrgica, Institutos Nacionales de Trastornos Neurológicos y Accidentes Cerebrovasculares, Institutos Nacionales de Salud, Bethesda, MD, 20892, EE. UU.

I. Jonathan Pomeraniec

Departamento de Neurocirugía, Centro de Ciencias de la Salud de la Universidad de Virginia, Charlottesville, VA, 22903, EE. UU.

I. Jonathan Pomeraniec

Departamento de Neurocirugía, Sistema Médico de la Universidad de Maryland, Baltimore, MD, 21201, EE. UU.

Alexander Ksendzovski

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

IJP y AK idearon el proyecto. ASC realizó la búsqueda bibliográfica con el apoyo del IJP y AKASC escribió el manuscrito con el apoyo del IJP y AK. Todos los autores contribuyeron al manuscrito final y aprueban su contenido.

Correspondencia a I. Jonathan Pomeraniec.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Chandrabhatla, AS, Pomeraniec, IJ y Ksendzovsky, A. Coevolución del aprendizaje automático y las tecnologías digitales para mejorar el seguimiento de los síntomas motores de la enfermedad de Parkinson. npj Dígito. Medicina. 5, 32 (2022). https://doi.org/10.1038/s41746-022-00568-y

Descargar cita

Recibido: 10 de agosto de 2021

Aceptado: 21 de enero de 2022

Publicado: 18 de marzo de 2022

DOI: https://doi.org/10.1038/s41746-022-00568-y

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Informes Científicos (2023)

Nano-Micro Letras (2022)