Publicación:

Caracterización de patrones de la enfermedad de Parkinson usando modelos de aprendizaje de máquina

Resumen

La enfermedad de Parkinson (EP) carece de un diagnóstico definitivo, siendo la observación de los patrones de movimiento el principal análisis para caracterizar el progreso de la enfermedad y planificar los tratamientos de los pacientes. Entre las observaciones de la EP, los patrones de movimiento de la marcha, como la longitud de los pasos y el control postural, apoyan la caracterización de la enfermedad. Sin embargo, este análisis es usualmente cuantificado con protocolos basados en marcadores, reduciendo la descripción de la marcha y omitiendo patrones locales durante la locomoción. Este trabajo introduce dos aproximaciones computacionales para el soporte del análisis y diagnóstico del párkinson. Primero se propuso un método computacional sin marcadores basado en una caracterización cinemática completa de los segmentos corporales relacionados con las alteraciones motoras de la EP. En un segundo aporte de este trabajo se obtuvo una representación convolucional 3D de la marcha en un contexto de clasificación automática de la EP, destacando patrones espacio-temporales aprendidos para esta tarea. Estos enfoques permiten obtener modelos que clasifican secuencias sin marcadores y describen las principales regiones espacio-temporales asociadas a patrones anormales relacionados con la EP. Estos métodos se evaluaron en un conjunto de 11 sujetos control y 11 pacientes con EP. La representación cinemática fue validada en un esquema de clasificación utilizando diferentes modelos preentrenados, logrando una precisión media de 99,62% para las regiones de los miembros inferiores y la cabeza. Mientras, para la representación convolucional los mapas de saliencia resultantes destacaron los patrones de las extremidades inferiores de los pacientes con EP, y de la cabeza y el tronco de los sujetos control, logrando una precisión de 94,89%.