Artificial intelligence-based software for recognizing parkinsonian gait patterns based on wearable miniaturized sensors

Abstract

A Doença de Parkinson (DP) é uma doença degenerativa do sistema nervoso central, geralmente caracterizada por prejudicar vários aspetos da marcha dos pacientes, como bradicinesia, comprimento do passo encurtado e congelamento da marcha. As escalas de avaliação clínica são tipicamente usadas com base em exames para monitorizar esses sintomas motores associados à marcha. Além disso, estas avaliações são baseadas na memória dos pacientes e pesquisas subjetivas, fornecendo dados tendenciosos. Assim, são necessários dados de longo prazo sobre as atividades motoras diárias do paciente. Avanços tecnológicos forneceram dispositivos sensores pequenos e vestíveis capazes de capturar dados de longo prazo, podendo ser utilizados em ambientes domiciliares permitindo a captura de dados precisos. A combinação desses sensores com inteligência artificial (IA) produz modelos capazes de biomarcar os níveis de doença, condições motoras e bem-estar dos pacientes, e de fornecer dados não tendenciosos sobre os padrões de marcha dos pacientes. A integração destes modelos num aplicativo para médicos facilitará gerir o estado de DP e tratamentos mais personalizados serão alcançados. Tendo isto em conta, esta tese tem como objetivo usar dados de pacientes que apresentam deficiências de marcha para treinar modelos baseados em IA que sejam capazes de classificar níveis de doença, condições motoras e qualidade de vida desses pacientes. Para isso, foram adquiridos dados de 40 pacientes com DP, com o objetivo de desenvolver 3 modelos de IA diferentes, um usado para classificar o nível de doença de um paciente na escala UPDRS-III, outro para classificar as condições motoras escala H&Y e outro usado para classificar a qualidade de vida. Esses modelos foram implementados numa APP para auxiliar os médicos durante as suas consultas. Os resultados obtidos foram positivos. O modelo UPDRS-III conseguiu uma acurácia de 91,67%, uma sensibilidade de 90,43% e uma especificidade de 93,98%, enquanto o modelo H&Y alcançou uma acurácia de 88,98%, uma sensibilidade de 88,71%, e especificidade de 92,79%, sendo que o modelo PDQ-39 obteve acurácia de 84,19%, sensibilidade de 82,13% e especificidade de 90,24%.

Parkinson’s Disease (PD) is a degenerative disease of the central nervous system, usually characterized by causing several gait impairment symptoms, such as bradykinesia, shortened stride length, shuffling gait and freezing of gait. Clinical assessment scales are typically used based on observational examinations to monitor these motor symptoms associated with gait. Further, these assessments are based on patients’ memory recall, subjective surveys, medication phase, and mood during the appointment, providing biased data. Thus, long-term data regarding the patient’s daily motor activities is required. Technological advancements provided small and wearable sensor devices able to capture long-term acquisitions of data. Given their miniaturized size and portability, these sensors can be used in domiciliary environments enabling to capture accurate data. Combining these sensors with artificial intelligence (AI) produces models able to biomark patients’ disease levels, motor conditions and well-being. These AI models can provide non-biased data about patients’ gait-associated patterns. Integrating these AI-based solutions in a user-friendly clinic APP for physicians will facilitate PD management, and more personalized treatments will be achieved. Taking this in mind, this thesis aims to use data from patients who show developed gait impairments to train AI-based models that are able to classify disease levels, motor conditions and the quality of life of said patients. For that, data from 40 patients with PD was gathered. This data was then used to develop 3 different AI models, one used to classify a patient’s disease level on the Unified Parkinson’s Disease Rating Scale (UPDRS-III) scale, another to classify a patient’s motor conditions on the Hoehn and Yahr (H&Y) scale, and another one used to classify a patient’s quality of life (QoL). These models were then implemented in an easy to use APP to help the physicians during their appointments with the patients. Positive results were obtained, being observed that. The UPDRS-III model manged to achieve achieve an accuracy of 91.67%, a sensitivity of 90.43%, and a specificity of 93.98%, while the H&Y model achieved an an accuracy of 88.98%, a sensitivity of 88.71%, and a specificity of 92.79%, and the Parkinson’s Disease Questionnaire (PDQ-39) model achieved an accuracy of 84.19%, a sensitivity of 82.13%, and a specificity of 90.24%.