Publicação

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

Detalhes bibliográficos
Resumo:	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.
Autores principais:	Silva, Paulo Jorge Martins da
Assunto:	Avaliação da marcha Doença de Parkinson Machine Learning Medicamento Levodopa Smartwatch Gait assessment Levodopa Medication Parkinson disease
Ano:	2022
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade do Minho
Idioma:	português
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	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.