*仅供医学专业人士阅读参考
帕金森病(PD)是目前发病率增长最快的神经系统疾病[1]。
然而,目前临床上PD的诊断,主要依靠的仍然是患者病史及临床症状,评估疾病严重程度靠的也是一些半客观的量表,如常用的运动障碍协会-统一帕金森病评定量表(MDS-UPDR,得分越高越严重)[2]和H&Y分级(分级越高越严重)[3]。
由于PD起病隐匿、逐渐进展的特点,往往在患病多年后患者才出现明显症状,因而错过早期治疗时机[4]。同时,对于PD进展的监测也并没有一个简便有效的方法[5]。
近日,由麻省理工学院的博士生杨宇喆和博士后袁园带领的团队,研发了可利用夜间睡眠时的呼吸信号来诊断PD,并监测PD进展的AI模型。
该模型诊断PD的能力在held-out测试集和外部测试集上的曲线下面积(AUC)分别高达0.90和0.85,且可准确评估PD严重程度及监测其进展,相关成果发表于著名期刊《自然·医学》杂志[6],杨宇喆是论文的第一作者。
值得一提的是,这个研究不仅带来了一个可以诊断和监测PD的人工智能模型,还首次证明了睡眠呼吸信号是帕金森病的一个数字生物标志物。
总的来说,本研究研发的AI模型让居家客观、无创地评估PD病情并监测其进展成为可能,有助于在临床诊断之前对人群进行风险评估,为PD患者后续治疗的评估提供了巨大便利。
论文首页截图
关于PD和呼吸的关系,早在1817年就有报道[7]。
随后更多的研究表明,PD患者脑干中控制呼吸的中枢退化、呼吸肌功能减弱,存在睡眠呼吸障碍[8]。此外,这些呼吸相关症状的出现通常早于临床运动症状,表明其具备在PD临床诊断之前对患者进行风险评估的潜力。
在本研究中,研究人员基于人群夜间呼吸数据构建了可诊断PD、评估其严重程度,同时可监测PD随时间进展的AI模型。该AI模型的输入数据为通过可穿戴设备(呼吸带)或无线电设备(形似路由器,通过发射低功率无线电信号并分析其在人体上的反射)收集的夜间呼吸信号。
研究设计图
为了使模型具有更好的预测性能及推广性,研究人员使用了多个来源的数据集进行建模及测试,数据来源包括妙佑医疗国际、麻省总医院、多个观察性PD临床试验,以及多个公共睡眠数据库,如SHHS研究和MrOS研究。
研究总共纳入了757名PD患者(均年龄为69.1岁,27%为女性)11964个夜晚的夜间呼吸数据(累计超过12万小时),同时还有6914名对照组参与者的数据(平均年龄66.2岁,30%为女性)。
PD患者和对照人群的人口统计学资料
首先,研究人员使用这些数据构建用于诊断PD及评估其严重程度的AI模型,并对诊断PD进行k重交叉验证(k=4),对严重程度评估进行leave-one-out验证,并通过训练和测试来自不同医疗中心的数据,评估模型跨机构预测的能力。此外,妙佑医疗国际的数据作为外部数据,不在开发或验证期间使用,仅用于测试。
对于AI模型诊断PD的能力,结果显示,使用可穿戴设备来源数据构建的模型其AUC值为0.889,灵敏度为80.22%,特异度为78.62%,使用无线信号来源数据构建的模型其AUC值为0.906,灵敏度为86.23%,特异度为82.83%。
AI模型诊断PD的性能
以上为使用单一夜晚数据的诊断能力,通过将多个夜晚数据整合后再进行预测,PD诊断的敏感性和特异性可进一步提高到100%。
通过多个夜晚数据整合进行PD诊断预测,敏感性和特异性可达到100%
另外,该模型跨机构预测的性能也十分优异,无论是使用可穿戴设备来源数据,还是无线信号来源数据,其AUC值均在0.85以上。在外部测试数据集(1920人,其中PD患者644人),模型的AUC值也高达0.851。
这些结果表明该AI模型对于PD的诊断具有良好的性能,可准确识别PD患者夜间呼吸的特征,具有很高的推广性。
在测试集中AI模型诊断PD的性能
对于PD严重性的评估,研究人员通过将AI模型计算的预测值与MDS-UPDRS评分进行分析发现,这两者具有很强的相关性(R=0.94,P=3.6×10-25)。
同时,AI模型计算的预测值与另一个PD严重性评估的指标——H&Y分级,也具有很好的相关性。这些结果表明该AI模型可很好的评估PD患者的严重程度。
AI模型计算的预测值与MDS-UPDRS评分和H&Y分级具有强相关性
由于呼吸和睡眠在PD的早期就会受到影响,研究人员评估了使用该AI模型在临床诊断之前识别PD患者的能力。
为了评估这种能力,研究人员使用了MrOS数据集,其中包含相隔大约6年的两次不同时期的呼吸和PD诊断数据。
研究人员将其中第1次未诊断为PD,而第2次诊断为PD的患者,定义为前驱PD组(n=12),并依据年龄和性别匹配了476名对照组。结果显示,该模型可识别约75%的前驱PD组人群,即在临床诊断多年前就能识别潜在的PD患者。
该AI模型具备提前诊断PD的能力
最后,研究人员评估了该模型监测PD进展的性能。
通过将临床医师评估的患者6个月以及12个月PD MDS-UPDRS评分变化,与AI模型预测的MDS-UPDRS评分变化相比较,研究人员发现AI模型预测识别病情进展的能力远远好于临床医师通过MDS-UPDRS评分来监测病情进展。
此外,临床医生评估的PD患者6个月和1年MDS-UPDRS评分变化都没有统计学意义,而模型预测的MDS-UPDRS评分变化均具有统计学意义。
该AI模型具有良好监测PD进展的能力
对于该AI模型预测能力的解释,研究人员发现该模型通过夜间呼吸数据,模拟了PD患者脑电图特征的识别,该模型在识别PD患者时,更关注于β波和其他频段高活动时段,而识别对照人群时,更关注于Delta波活动相对较高的时段,这也与临床研究中的发现相一致[9]。
此外,这个模型还可通过受试者的浅/深睡眠时长、入睡时间以及觉醒次数来识别PD患者。据文献报道,PD患者浅睡眠和深睡眠均显著减少,睡眠期间觉醒次数增多,在入睡时和睡眠期间觉醒时的脑电存在异常[10]。
设备实景图
总的来说,本研究构建了第一个使用夜间呼吸数据诊断PD的AI模型,且可准确评估疾病严重程度和监测疾病进展。这种客观、无创、在家中就可进行的诊断及监测方法,在将来有望成为PD诊断及预后监测的常用工具,对临床工作十分有意义。
参考文献
1.Dorsey ER, Sherer T, Okun MS, Bloem BR: The Emerging Evidence of the Parkinson Pandemic. J Parkinsons Dis 2018, 8(s1):S3-S8.
2.Goetz CG, Tilley BC, Shaftman SR, Stebbins GT, Fahn S, Martinez-Martin P, Poewe W, Sampaio C, Stern MB, Dodel R et al: Movement Disorder Society-sponsored revision of the Unified Parkinson's Disease Rating Scale (MDS-UPDRS): scale presentation and clinimetric testing results. Mov Disord 2008, 23(15):2129-2170.
3.Hoehn MM, Yahr MD: Parkinsonism: onset, progression, and mortality. 1967. Neurology 2001, 57(10 Suppl 3):S11-26.
4.Armstrong MJ, Okun MS: Diagnosis and Treatment of Parkinson Disease: A Review. JAMA 2020, 323(6):548-560.
5.Delenclos M, Jones DR, McLean PJ, Uitti RJ: Biomarkers in Parkinson's disease: Advances and strategies. Parkinsonism Relat Disord 2016, 22 Suppl 1:S106-110.
6.Yang Y, Yuan Y, Zhang G, Wang H, Chen Y-C, Liu Y, Tarolli CG, Crepeau D, Bukartyk J, Junna MR et al: Artificial intelligence-enabled detection and assessment of Parkinson’s disease using nocturnal breathing signals. Nature Medicine 2022.
7.Parkinson J: An essay on the shaking palsy. 1817. J Neuropsychiatry Clin Neurosci 2002, 14(2):223-236; discussion 222.
8.Baille G, Perez T, Devos D, Deken V, Defebvre L, Moreau C: Early occurrence of inspiratory muscle weakness in Parkinson's disease. PLoS One 2018, 13(1):e0190400.
9.Zahed H, Zuzuarregui JRP, Gilron R, Denison T, Starr PA, Little S: The Neurophysiology of Sleep in Parkinson's Disease. Mov Disord 2021, 36(7):1526-1542.
10.Cozac VV, Gschwandtner U, Hatz F, Hardmeier M, Ruegg S, Fuhr P: Quantitative EEG and Cognitive Decline in Parkinson's Disease. Parkinsons Dis 2016, 2016:9060649.
责任编辑丨BioTalker
联系客服