Técnicas de machine learning aplicadas à marcha para monitorização personalizada da toma da medicação levodopa em doentes com Parkinson

Abstract

Há cada vez mais evidências que sugerem que a avaliação da marcha pode ser uma ferramenta útil para apoiar a de doentes com Parkinson. A levodopa é o fármaco mais prescrito aos doentes com Parkinson e uma utilização adequada deste medicamento pode melhorar os sintomas e a qualidade de vida do paciente. Hoje em dia, com o desenvolvimento de sensores e dispositivos vestíveis, é possível utilizar um smartwatch para avaliar algumas características de marcha, que podem ser utilizadas na monitorização diária do estado de saúde. O objetivo deste estudo é investigar a possibilidade de monitorizar a toma do medicamento levodopa e ao mesmo tempo a presença do seu efeito na mobilidade paciente com Parkinson com base nas características de marcha possíveis de se obter com um smartwatch. Para tal, foi utilizado um conjunto de variáveis de marcha de 29 pacientes com Parkinson avaliados em dois estados, sem (estado OFF) e com (estado ON) o efeito da levodopa. Os dados foram normalizados tendo em conta as propriedades físicas do sujeito. Dois métodos estatísticos (ANOVA e Kendall) foram utilizados na seleção de variáveis. Os algoritmos k-means e hierarchical clustering foram aplicados para identificar subgrupos de pacientes com valores de marcha espaço-temporais semelhantes. De seguida, foram aplicadas cinco técnicas para gerar dados sintéticos a fim de aumentar o conjunto de dados utilizados na análise comparativa dos classificadores. A eficácia de diferentes classificadores de machine learning --- Support Vector Machine (SVM), Logistic Regression (LR) e Random Forest (RF) baseados em medidas de marcha (tais como valor médio) e Convolution Neural Network (CNN) e Long Short-Term Memory (LSTM) baseados em séries temporais -- foram avaliadas. Os melhores resultados foram obtidos com o classificador LR baseado na variabilidade da duração de um ciclo, com resultados de de aproximadamente 92%. Os resultados indicam que a utilização de técnicas de machine learning baseadas em variáveis de marcha, tais como a variabilidade da duração de um ciclo, que é possível aceder com um smartwatch, poderá ser um bom suporte para a monitorização do estado do paciente (ON/OFF). Note-se que um paciente classificado como "estado OFF" pode significar que ainda não tomou o medicamento ou que o medicamento já não está a fazer efeito.

There is growing evidence suggesting that gait assessment can be a valuable tool to support the management of patients with Parkinson. Levodopa is the most prescribed medicine for Parkinson's Disease, and adequate use of this medication can improve the symptoms and the quality of patients’ lives. Nowadays, with the development of wearable sensors and devices, it is possible to use a smartwatch to assess some gait characteristics that can be used to assist in daily health monitoring. This study aims to investigate the possibility of monitoring the levodopa medication-taking, and at the same time, the presence of levodopa effect in Parkinson patients’ mobility based on gait features possible to obtain with a smartwatch. For this purpose, a gait dataset from 29 patients with Parkinson Disease assessed in two states, without (OFF state) and with (ON state) the effect of levodopa, was used. Data were normalized considering the subject physical properties. Two statistical-based methods (ANOVA and Kendall) were used for feature selection. K-means and hierarchical clustering algorithms were applied to identify subgroups of patients with similar spatiotemporal gait values in the two states. Then, five techniques were applied to generate synthetic data to augment the dataset used in the comparative classification analysis. The effectiveness of different machine learning classifiers -- Support Vector Machine (SVM), Logistic Regression (LR) and Random Forest (RF) based on gait measures (such as mean value) and Convolution Neural Network (CNN) and Long Short-Term Memory (LSTM) based on stride times series --- were evaluated. The best results were obtained with the LR classifier based on stride time variability, with accuracy results of 92% approximately. Results indicate that using machine learning techniques based on gait measures, such as stride time variability, that is possible to access with a smartwatch could be a good support for monitoring the patients state (ON/OFF). Note that a patient classified as “OFF state” can mean that he has not yet taken the medication or is no longer taking effect.