Una de las características distintivas de la enfermedad de Parkinson EP son los temblores. Este trastorno del movimiento involuntario reduce la calidad de vida al interrumpir las actividades de los pacientes, como escribir y comer. Los neurólogos miden los temblores de forma rutinaria mediante la Escala Unificada de Calificación de la Enfermedad de Parkinson UPDRS, querequiere que los pacientes realicen tareas específicas. Desafortunadamente, esta evaluación se basa en un examen físico en el lugar que solo proporciona una instantánea de la experiencia del temblor del paciente en su vida diaria.
Para manejar y tratar eficazmente los temblores en los pacientes con EP, existe una necesidad urgente de un enfoque que pueda medir los temblores de manera continua con precisión sin la necesidad de que los pacientes realicen tareas específicas mientras realizan sus actividades diarias.
Investigadores de la Facultad de Ingeniería y Ciencias de la Computación de la Florida Atlantic University, en colaboración con la Escuela de Medicina Icahn en Mount Sinai y el Centro Médico de la Universidad de Rochester, están enseñando máquinas para realizar este trabajo. Han desarrollado algoritmos que, combinados con sensores portátiles, puede monitorear continuamente a los pacientes y estimar el temblor parkinsoniano total mientras realizan una variedad de movimientos corporales libres en sus entornos naturales.
Resultados del estudio, publicados en la revista sensores , indique que este nuevo enfoque tiene un gran potencial para proporcionar un espectro completo de temblores de los pacientes durante el transcurso del día.
"Un solo examen clínico en el consultorio de un médico a menudo no logra capturar el continuo completo de temblores de un paciente en su vida diaria rutinaria", dijo Behnaz Ghoraani, Ph.D., autor principal, profesor asistente en el Departamento deIngeniería informática y eléctrica y Ciencias de la computación, y miembro del Instituto de Sistemas de Redes Integrados y Sensores I-SENSE de la FAU y del Instituto del Cerebro de la FAU I-BRAIN. "Los sensores portátiles, combinados con algoritmos de aprendizaje automático, se pueden utilizar enen casa o en otro lugar para estimar la clasificación de gravedad de los temblores de un paciente en función de la forma en que se manifiestan en los patrones de movimiento ".
La mayoría de los enfoques existentes que se utilizan en la actualidad dependen de la tarea, lo que requiere que los pacientes realicen tareas estandarizadas como las que se usan en las escalas de calificación. Además, estos enfoques solo brindan un rendimiento moderado a bueno debido a las limitaciones en los algoritmos subyacentes para caracterizar los patrones de temblor de los pacientesmovimientos corporales libres.
Ghoraani y sus colaboradores querían probar la idea de que los algoritmos de aprendizaje automático podían rastrear y cuantificar el temblor en reposo dentro de las actividades de la vida diaria y separar el temblor rítmico de las actividades normales sin la realización de ninguna tarea estandarizada.
Para el estudio, los investigadores investigaron la aplicación de dos algoritmos de aprendizaje automático: aumento del árbol de gradiente y aprendizaje profundo basado en LSTM. Estos métodos estimaron automáticamente la gravedad del temblor reposo y acción utilizando datos de dos sensores de giroscopio colocados en la mayoría de los pacientes con EP.muñeca y tobillo afectados. Recopilaron datos mientras los pacientes realizaban una variedad de actividades como caminar, descansar, comer y vestirse.
Los hallazgos del estudio mostraron que el método de aumento del árbol de gradiente estimó el temblor total, así como la subpuntaje del temblor en reposo con alta precisión y, en la mayoría de los casos, con los mismos resultados estimados usando la UPDRS.
Este método también mostró la disminución de los temblores después de que los pacientes tomaron su medicación, incluso en los casos en que los resultados no coincidieron con las subpuntuaciones totales de temblores de las evaluaciones UPDRS. El método basado en LSTM, por otro lado, proporcionó un rendimiento inferior.
"Es especialmente interesante que el método que desarrollamos detectó con éxito temblores de manos y piernas utilizando solo un sensor en la muñeca y el tobillo, respectivamente", dijo Murtadha D. Hssayeni, coautor y estudiante de doctorado en el Departamento de FAUde Ingeniería Informática y Eléctrica y Ciencias de la Computación.
Este nuevo método proporciona el rendimiento más alto entre los métodos dependientes de la tarea UPDRS y todos los métodos de estimación del temblor independientes de la tarea informados en la literatura hasta la fecha.
"Este hallazgo es importante porque nuestro método es capaz de proporcionar una mejor resolución temporal para estimar los temblores y proporcionar una medida del espectro completo de cambios del temblor a lo largo del tiempo", dijo Ghoraani.
La EP es el segundo trastorno neurodegenerativo relacionado con la edad más común después de la enfermedad de Alzheimer. Se estima que entre 7 y 10 millones de personas en todo el mundo tienen EP. En los Estados Unidos, se cree que alrededor de 1 millón de estadounidenses tienen EP. Cada año, alrededor de 60,000 estadounidenses padecen EP.diagnosticado con este trastorno y esta estimación no refleja los miles de casos que no se detectan.
"Para los millones de personas en todo el mundo que se ven afectadas por la enfermedad de Parkinson, la profesora Ghoraani y sus colaboradores ofrecen una gran promesa de un enfoque confiable para monitorear la gravedad de los temblores durante el transcurso de un día típico", dijo Stella Batalama, Ph..D., Decano de la Facultad de Ingeniería y Ciencias de la Computación de la FAU. "Además, el método que ha desarrollado nuestro equipo proporcionará a los médicos información vital para manejar y tratar eficazmente a sus pacientes con este trastorno".
Los coautores del estudio son Joohi Jimenez-Shahed, MD, Icahn School of Medicine en Mount Sinai; y Michelle A. Burack, MD, Ph.D., Departamento de Neurología, Centro Médico de la Universidad de Rochester.
Parte de esta investigación fue financiada por la National Science Foundation número de subvención CCSS-1936586, Ghoraani, PI. Dos subvenciones ofrecidas por los Institutos Nacionales de Salud y el Instituto Nacional sobre el Envejecimiento para Dispositivos Médicos de Cleveland 1R43NS071882-01A1; T.Mera, PI y Great Lakes NeuroTechnologies Inc. 5R44AG044293, respectivamente, se utilizaron para respaldar la recopilación del conjunto de datos.
Fuente de la historia :
Materiales proporcionado por Florida Atlantic University . Original escrito por Gisele Galoustian. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :