Fünf Top-Modelle für einen tragbaren Sensor, der plötzliche Gehfrieren (FOG) bei Menschen mit Parkinson überwachen und messen kann, wurden als Ergebnis eines internationalen maschinellen Lernwettbewerbs entwickelt, der von Wissenschaftlern der Universität Tel Aviv in Israel ins Leben gerufen wurde. Die Teams hinter diesen Gewinnern, die potenziell die visuelle, zeitaufwändige Videoanalyse durch Experten ersetzen oder ergänzen könnten – den derzeitigen Goldstandard für die FOG-Bewertung – teilten einen Preis von 100.000 US-Dollar.
Die Modelle basierten auf maschinellem Lernen, bei dem Computerprogramme aus eingegebenen Daten lernen. Tragbare Sensoren, die von maschinellen Lernmodellen unterstützt werden, können FOG-Episoden kontinuierlich überwachen und quantifizieren und dem Kliniker jederzeit ein genaues Bild des Zustands des Patienten liefern. Die Verwendung solcher Geräte würde es den Gesundheitsdienstleistern ermöglichen zu sehen, ob die Patienten auf verschriebene Medikamente reagieren.
Die Goldstandard-Bewertung für FOG, zusätzlich zu Selbstauskunftsfragebögen und visuellen Beobachtungen durch Kliniker, ist eine Videobild-für-Videobild-Analyse von Patienten, die sie in Bewegung zeigen. Obwohl genau, hat eine solche Videoanalyse mehrere Einschränkungen wie den Bedarf an mehreren Spezialisten und ist zeitaufwändig. Es gibt auch Fortschritte bei der Entwicklung von tragbaren Sensoren zur Verfolgung und Messung der täglichen Funktionalität von Patienten. Die Teilnehmer erstellten maschinelle Lernmodelle basierend auf Daten von Parkinson-Patienten, die einen einzigen Sensors am unteren Rücken trugen, und von Videoanalysen, die insgesamt ca. 5.000 FOG-Episoden aufzeichneten.
Eingaben wurden basierend auf der Leistung gegen zwei Datensätze mit 40 Parkinson-Patienten und mehr als 1.300 validierten FOG-Episoden bewertet. Alle fünf Top-Modelle zeigten eine gute Genauigkeit bei der Erkennung aller FOG-Klassen, die sich zwischen 88% und 92% bewegten. Der beste Beiwert war für das FOG während des Umkehrens, die häufigste FOG-Klasse. Eine Korrelationsanalyse verglich dann die Modellschätzungen mit dem tatsächlichen Prozentsatz der eingefrorenen Zeit, der Anzahl der Frier-Episoden und der Dauer jedes Episoden pro Patient, wie von dem Video beurteilt.
Schließlich wurde der Prozentsatz der eingefrorenen Zeit im Vergleich zwischen Parkinson-Patienten mit und ohne FOG geschätzt, die während eines klinischen Besuchs oder des vom Patienten berichteten neuen Fragebogens zum Einfrieren der Führung beurteilt wurden. In der FOG-Gruppe gab es einen signifikanten Unterschied zwischen dem stündlichen Prozentsatz der eingefrorenen Zeit während des Tages und dem medianen Prozentsatz in der Nacht. Darüber hinaus schienen zwei Spitzen von Gefrierepisoden um etwa 7 Uhr und 22 Uhr.