Ученые из Университета Иллинойса провели исследование, в котором по-новому подошли к разработке алгоритмов машинного обучения для анализа данных получаемых с недорогих носимых датчиков, что позволило увеличить точность результатов и улучшить лечение пациентов с болезнью Паркинсона. Результаты исследования были опубликованы в журнале Sensors.
Как считают ученые, расширение анализа данных о движениях как больных, так и здоровых пожилых людей с помощью машинного обучения может помочь более точно выявлять двигательные нарушения у людей с болезнью Паркинсона, и в будущем использовать в телемедицинских консультациях.
Тем более, такая возможность улучшила бы доступ к медицинской помощи для пациентов. Врачу необходимо не только наблюдать за движениями пациента, но и оценить наличие ригидности и мышечного тонуса. Но использование существующих носимых датчиков ограничено их высокой стоимостью.
Для решения этой проблемы ученые из Иллинойса сосредоточились на методах улучшения оценки двигательных функций с помощью недорогих носимых датчиков.
Ученые выбрали стратегию улучшения машинного обучения, и в качестве отправной точкой были рассмотрены данные здоровых людей.
Исследователями был адаптирован золотой стандарт клинической оценки MDS-UPDRS описывающий конкретные задачи, которые должен выполнять пациент, и качественные наблюдения, которые врачу необходимо делать во время обследования, и организовать их по категориям для оценки.
В ходе своего исследования исследователи пациентов просили выполнять определенные задания и мышечные движения при ношении датчиков – для получения данных по категориям, оцениваемым MDS-UPDRS. Для обучения модели машинного обучения учеными были использованы данные как пациентов с болезнью Паркинсона, так и здоровых пожилых людей.
Исследователи использовали такие методы глубокого обучения, как предварительное обучение, что позволяло увеличить надежность модели, улучшить идентификацию важных точек данных и отфильтровывать ненужную информацию. Такой подход с одновременным использованием данных о здоровых пожилых людях повысил точность выявления двигательных нарушений более чем на 12%, по сравнению с текущей стандартной моделью. Ученые планируют продолжить исследования и расширить возможности модели для анализа таких симптомов, как тремор.
