Recherche sur le modèle de quantification du gel de la marche chez les patients parkinsoniens

Contexte

La maladie de Parkinson (Parkinson’s Disease, PD) est une maladie neurodégénérative courante associée à des troubles moteurs complexes. À un stade avancé de la maladie de Parkinson, le phénomène de “gel de la marche” (Freezing of Gait, FOG) est particulièrement marqué. Ce phénomène désigne une incapacité soudaine et temporaire des patients à initier ou poursuivre la marche, augmentant ainsi le risque de chutes et réduisant considérablement la mobilité des patients, affectant gravement leur qualité de vie. Par conséquent, quantifier avec précision la gravité du FOG est crucial pour aider les cliniciens à gérer ce symptôme et à en atténuer l’impact.

Actuellement, le questionnaire de gel de la marche (new Freezing of Gait Questionnaire, NFOG-Q) est couramment utilisé en clinique et repose principalement sur les auto-évaluations des patients et l’expérience des médecins. Cependant, cette méthode d’évaluation est subjective et incertaine, ne fournissant pas de résultats de quantification précis et détaillés. Avec le développement technologique, la recherche basée sur l’analyse instrumentale de la marche a suscité un intérêt croissant, bien que la plupart des études négligent des évaluations fines dans la quantification de la gravité du FOG.

Source de l’article

Cet article, rédigé par Ning C.Xu, Chen Wang, Liang Peng, Junzhou Xiaohu, Jingyao Chen, Zhicheng, et Guanghou Zeng, est publié dans le numéro de 2023 de la revue IEEE Transactions on Biomedical Engineering. Les auteurs sont affiliés à la Faculté d’ingénierie novatrice et à l’Institut de recherche en automatisation intelligente de l’Université des Sciences et Technologies de Macao.

Méthodes et processus de recherche

Cet article propose un modèle à double seuil (double-hurdle model) utilisant des caractéristiques spatio-temporelles typiques de la marche pour quantifier la gravité du FOG chez les patients parkinsoniens. De plus, il améliore les performances du modèle en introduisant un nouvel algorithme de forêt aléatoire multi-sorties (multi-output Random Forest, MGWRF). L’étude comprend six expériences utilisant une base de données publique de marche chez les patients parkinsoniens comme validation. Le processus de recherche est le suivant :

a) Processus de recherche

1. Collecte et prétraitement des données de caractéristiques de la marche

   • Utilisation de plateformes de force et de plusieurs dispositifs de caméra pour collecter les données de marche. La base de données comprend les caractéristiques de marche de 13 patients avec FOG et 13 sans FOG, enregistrées dans les états de “médicament activé” (ON) et de “médicament désactivé” (OFF).

2. Extraction et normalisation des caractéristiques

   • Les caractéristiques initiales de la marche incluent 19 indicateurs tels que le temps de position, le temps de balançoire, la longueur du pas, et la vitesse de marche. La base de données de marche brute est étendue, rendue adimensionnelle et réduite pour obtenir des données de caractéristiques de marche normalisées.

3. Sélection des caractéristiques de la marche

   • Utilisation de l’algorithme de pertinence maximale et redondance minimale (Maximum Relevance Minimum Redundancy, MRMR) pour sélectionner les caractéristiques les plus importantes des données normalisées, afin de constituer l’ensemble des caractéristiques d’entrée.

4. Construction du modèle à double seuil

   • Le premier seuil du modèle est utilisé pour identifier les patients avec FOG, et le second seuil pour évaluer la gravité du FOG chez ces patients.

5. Application de l’algorithme MGWRF

   • Introduction de la technique de quantification de l’information d’entropie des différences de biais pour améliorer les critères de division des nœuds et le mécanisme de prédiction des feuilles de l’arbre décisionnel, utilisée pour des tâches multiples, incluant la classification des patients et l’évaluation du FOG.

6. Analyse de l’impact de l’état médicamenteux sur les modèles de marche

   • Sélection des indicateurs d’importance de l’état médicamenteux dans les caractéristiques de marche et analyse de son impact sur les caractéristiques de marche dans les états avec FOG.

b) Principaux résultats de recherche

Grâce aux méthodes décrites, les résultats montrent que l’algorithme MGWRF obtient le coefficient de corrélation le plus élevé de 0.972 et l’erreur quadratique moyenne la plus basse de 2.488 dans le cadre indépendant des hyperparamètres du modèle à double seuil. En outre, l’état médicamenteux a un impact significatif sur les modèles de marche des patients :

1. Lorsque le médicament est “désactivé”, les symptômes de FOG s’aggravent considérablement.
2. En comparant les états “avec médicament” et “sans médicament”, les caractéristiques telles que la longueur du pas et la vitesse de marche diminuent de manière significative chez les patients avec FOG, tandis que la variabilité de la marche (par exemple, la variabilité du temps de marche et de la longueur de la marche) augmente considérablement.

c) Conclusion et valeur de la recherche

1. Valeur scientifique

   • Cette étude est la première à utiliser un modèle à double seuil pour quantifier de manière fine la gravité du FOG chez les patients parkinsoniens, offrant un moyen d’évaluation plus précis.

2. Valeur d’application

   • Les résultats de la recherche aident les cliniciens à gérer et traiter plus précisément les symptômes de FOG, améliorant la qualité de vie des patients parkinsoniens.

3. Points forts de l’innovation

   • Le nouvel algorithme MGWRF proposé, combiné à l’apprentissage des tâches mixtes, améliore considérablement les performances de traitement et d’analyse des données de marche.

4. Novélité de la méthode

   • Utilisation de la quantification de l’information d’entropie des différences de biais pour l’information des nœuds de gain et des mécanismes de pondération partagée des tâches, renforçant les performances du modèle dans le traitement des données de haute dimension.

d) Points saillants de la recherche

1. Résolution du problème de répartition des données à inflation nulle

   • Le problème de répartition des données à inflation nulle dans l’évaluation de la gravité du FOG est effectivement résolu par le modèle à double seuil.

2. Innovation en modélisation

   • L’algorithme MGWRF utilisant la quantification de l’information d’entropie des différences de biais améliore les performances du modèle dans le traitement de tâches multiples.

e) Autres informations utiles

La recherche a également vérifié l’impact de l’état médicamenteux sur les caractéristiques de la marche, indiquant que les symptômes de FOG sont plus observables lorsque le médicament est “désactivé”. Cette découverte suggère que les études cliniques doivent considérer l’impact de l’état médicamenteux sur l’analyse de la marche pour garantir l’exactitude de l’évaluation.

Conclusion

Le modèle à double seuil proposé dans cet article, grâce à la quantification fine et à l’apprentissage des tâches mixtes, surmonte les défauts des méthodes traditionnelles et améliore la précision d’évaluation du FOG. Les résultats de la recherche offrent de nouvelles perspectives et méthodes pour la gestion et le traitement de la maladie de Parkinson, ce qui est d’une grande valeur de référence pour la recherche clinique et l’application des symptômes de gel de la marche. Les recherches futures pourraient vérifier et étendre l’applicabilité du modèle en collectant davantage de données de patients et en combinant des données multimodales.