Application of artificial intelligence for kinematic signal processing in diagnostics of Parkinson's disease and atypical parkinsonisms: doctoral dissertation

Abstract

Clinical diagnosis of Parkinson’s disease (PD) and atypical parkinsonisms remains a challenging and time-consuming task. This study sought to utilize AI to provide quick support in differential diagnostics, relying on kinematic data obtained from two modalities: repetitive finger tapping and gait. The main study focus was on finger tapping data obtained by a custom low-weight, low-cost inertial sensor setup. Three groups of patients were recruited, including individuals suffering from PD, Progressive Supranuclear Palsy (PSP), and Multiple System Atrophy (MSA), and a group of healthy controls (HC) without neurological disorders. Statistical analysis of obtained signals showed differences in certain trends between the tested groups, and the utilization of AI models allowed the PD group to be discerned from the controls with accuracy of 92%, whereas all participant groups discerned in a multiclass setting with overall accuracy of 85.18%. This work also tackled PD diagnostics through the use of AI in analysis of gait, using a sensorized electronic walkway. De novo PD patients and a HC group were tested in a series of dual-task tests, where the interference task was of motor or mental type. We were able to programmatically select a subset of gait parameters that best help in PD diagnostics and use the selected parameters to classify PD vs HC group with accuracy of 85%. Future work should tackle the effect of possible noise in the labels (non-autopsy-confirmed diagnoses), and standardized multi-center data collection that would allow further refinement of the system’s predictive power. Recruitment of patients with atypical parkinsonisms for gait-based tests should assess the ability of the proposed analyses to aid in differential diagnostics among these neurological disorders with similar clinical presentations

Клиничка дијагностика Паркинсонове болести (ПД) и атипичних паркинсонизама и даље је изазован задатак и изискује доста времена. Циљ ове студије је да кроз употребу вештачке интелигенције понуди брзу потпору у диференцијалној дијагностици, ослањајући се на кинематичке податке прикупљене кроз два модалитета: репетитивно тапкање прстима и ход. Главни фокус студије су снимци тапкања прстима прибављени помоћу лаганог и јефтиног система инерцијалних сензора. Регрутоване су три групе пацијената, укључујући особе које пате од Паркинсонове болести, прогресивне супрануклеарне парализе (ПСП) и мулти системске атрофије (МСА), као и група здравих контрола без неуролошких обољења. Статистичка анализа прикупљених сигнала је показала разлике у одређеним трендовима у тапкању између тестираних група, а употреба модела вештачке интелигенције омогућила је разликовње ПД пацијената од контрола са ташношћу од 92%, док је све регрутоване групе било могуће класификовати са тачношћу од 85,18%. Рад се такође бави дијагностиком ПД кроз примену вештачке интелигенције у анализи хода, користећи електронску сензорску стазу. De novo ПД пацијенти и група здравих контрола снимани су у серији тестова са двоструким задатком, где је додатни задатак био моторног или менталног типа. Програмски је било могуће одабрати подскуп параметара хода који понајвише доприносе дијагностици ПД, и употребити те параметре за класификацију ПД групе и контрола са тачношћу од 85%. Будући рад би требало да се бави ефектима евентуалног шума у обележеним дијагнозама јер оне нису потврђене аутопсијом, а прикупљање додатних података стандардизованим протоколом у више клиничких центара омогућило би додатно побољшање предиктивне моћи система. Регрутација пацијената са атипичним паркинсонизмима за тестове базиране на ходу потребна је да се процени способност предложених анализа да помогну у дијагностици поменутих неуролошких обољења.