Hauptinhalt

Quantifizierung der Symptomschwere von Parkinson-Erkrankten mittels kinetischer und elektromyographischer Parameter unter Einsatz von maschinellem Lernen – eine Pilotstudie

Beschreibung

Im Rahmen dieser Studie wurden Patienten mit einem diagnostizierten idiopathischen Parkinson-Syndrom hinsichtlich der Schwere ihrer motorischen Symptome untersucht. Ziel war die Entwicklung eines objektiven Verfahrens zur Quantifizierung und Beurteilung der motorischen Beschwerden als Alternative zu den momentan gängigen subjektiven klinischen Erhebungen. Hierzu wurden bei 45 Probanden während der Ausführung verschiedener Bewegungsübungen kinetische und elektromyographische Parameter mittels eines speziellen Armbandes erfasst. Die Daten wurden anschließend genutzt um ausgewählte Regressionsmodelle als Techniken maschinellen Lernens zu trainieren. Die Modelle sollten so befähigt werden, einen üblicherweise klinisch erhobenen Score (MDS-UPDRS Teil III) anhand elektromyographischer Parameter zu prädizieren. In den Ergebnissen zeigten sich bei ausgewählten Regressionsmodellen hohe Korrelationen zwischen prädizierten und klinisch ermittelten Werten. Eine weitere Untersuchung, die in Zusammenarbeit mit der Justus-Liebig Universität Gießen stattfand, zielte auf die Differenzierung eines mittels Levodopa hergestellten „ON“- und „OFF“-Zustandes der Probanden anhand der kinetischen Daten ab. Hierbei erbrachte sowohl der Einsatz eines Regressionsmodells als auch die Nutzung eines Convolutional Neural Networks eine hohe Genauigkeit.

Die Ergebnisse unserer Studie liefern eine vielversprechende Grundlage für weitere Arbeiten und die Entwicklung eines alltagstauglichen Systems zur kontinuierlichen Überwachung des motorischen Symptomstatus bei Parkinson-Erkrankten. Ein solches System könnte insbesondere in der Prävention von Komplikationen als auch in der Individualisierung von Therapien einen entscheidenden Beitrag leisten. 

Publikationen:

[1] Tabatabaei, S. A. H. and Pedrosa, D.J., Eggers, C., Wullstein, M., Kleinholdermann, U., Fischer, P., & Sohrabi, K. (2020). Machine Learning Techniques for Parkinson’s Disease Detection using Wearables during a Timed-up-and-Go-Test. Current Directions in Biomedical Engineering, 6(3), 376-379.

[2] Kleinholdermann, U., Wullstein, M., & Pedrosa, D. J. (2021). Prediction of motor Unified Parkinson's Disease Rating Scale scores in patients with Parkinson’s disease using surface electromyography. Clinical Neurophysiology, 132(7), 1708-1713.

Ansprechpartner:innen

Herr Dr. rer nat. Urs Kleinholdermann
Herr Maximilian Wullstein
Telefon: 06421/58 - 65299
Telefax: 06421/58 - 67055
kleinhol@staff.*

* Um eine richtige E-Mail-Adresse zu erhalten, fügen Sie bitte "uni-marburg.de" an.