背景 随着老龄化社会的到来,与年龄密切相关的认知障碍(包括痴呆)的患病率明显增加.先前的研究表明,具有不同认知能力的人群所表现的步态状态也不一样.过去研究者们在研究遗忘型轻度认知障碍(aMCI)和阿尔茨海默病(AD)的步态时,使用了统计分析方法,对机器学习方法的使用较少.目的 构建基于步态的机器学习模型识别aMCI和AD,探索aMCI和AD之间的步态标志物,以便将其用作帮助诊断aMCI患者和AD患者的可能工具.方法 于2018年12月至2020年12月,从国家康复辅具研究中心附属康复医院、佛山市第一人民医院、大连大学附属中山医院招募了102例受试者,按照筛选标准最终纳入98例受试者,其中55例为aMCI患者,10例为AD患者,33例为健康对照(HC)者.使用可穿戴设备采集参与者在单任务(自由行走)、双任务(倍数7)和双任务(倒数100)时的步态参数.使用随机森林算法(RF)和梯度提升决策树算法(GBDT)建立模型,10个步态参数作为预测变量,疾病状态(HC、aMCI、AD)作为响应变量,比较两种机器学习算法对3个疾病组的识别效果.然后使用机器学习算法结合递归特征消除法(RFE)进行重要特征选择.结果 三组年龄、性别、身高、体质量、鞋码比较,差异无统计学意义(P>0.05);MMSE评分、MoCA评分比较,差异有统计学意义(P<0.05).自由行走测试时,aMCI组和AD组受试者步幅较HC组短,足跟着地角度较HC组小;AD组步速较HC组和aMCI组受试者慢,足趾离地角度较HC组小(P<0.05).双任务倍数7测试时,aMCI组和AD组受试者步速较HC组慢,足趾离地角度和足跟着地角度较HC组小;AD组支撑时间较HC组长,足趾离地角度较aMCI组小(P<0.05).双任务倒数100测试时,AD组步速较HC组和aMCI组受试者慢,足趾离地角度和足跟着地角度较HC组和aMCI组小,步幅较HC组短;aMCI组足跟着地角度较HC组小(P<0.05).GBDT-RFE方法发现aMCI和AD之间的重要步态特征是步幅、足趾离地角度和足跟着地角度,并在RF模型中实现了识别aMCI和AD的最佳性能,最高准确率为87.69％.结论 步幅、足趾离地角度和足跟着地角度是识别aMCI患者和AD患者的重要步态标志物,未来临床医生可依据重要步态标志物诊断和治疗aMCI患者和AD患者.

认知功能障碍;遗忘型轻度认知障碍;阿尔茨海默病;步态分析;随机森林算法;梯度提升决策树算法

陶帅;韩星;孔丽文;汪祖民;谢海群

116622 辽宁省大连市,大连大学大连市智慧医疗与健康重点实验室;528010 广东省佛山市,佛山市第一人民医院神经内科

中国全科医学

[1]陶帅;韩星;孔丽文;汪祖民;谢海群-.基于步态的机器学习模型识别遗忘型轻度认知障碍和阿尔茨海默病)[J].中国全科医学,2022(31):3857-3865

机器学习模型,模型识别,遗忘型轻度认知障碍,阿尔茨海默病,老龄化社会,痴呆,患病率,先前,认知能力,aMCI,AD,统计分析方法,机器学习方法,家康,康复辅具,康复医院,佛山市,中山医院,招募,筛选标准,HC,可穿戴设备,单任务,双任务,倍数,倒数,步态参数,随机森林算法,梯度提升决策树算法,GBDT,建立模型,预测变量,疾病状态,应变量,机器学习算法,递归特征消除法,RFE,特征选择,鞋码,MMSE,MoCA,步幅,足跟,跟着,着地,地角,步速,足趾,离地,组长,步态特征,临床医生,诊断和治疗,认知功能障碍,步态分析

0.213753