Gait characterizations in Parkinson's disease

Abstract

La enfermedad de Parkinson (EP) es una enfermedad neurodegenerativa que afecta el sistema de control motor encargado de los movimientos voluntarios del cuerpo humano y las funciones cognitivas. EP es la segunda enfermedad neurodegenerativa m mas común después de la enfermedad de Alzhaimer con una población mundial aproximada de 6 millones y con un estimado de 18 millones de personas para el año 2040. Se caracteriza por la muerte de las neuronas dopaminérgicas en un área conocida como substancia nigra pars compacta, que afecta directamente la función de los ganglios basales, afectando el sistema de control motor. Las principales manifestaciones motoras que se presentan debido a EP son bradicinesia, hipocinesia, alteración del equilibrio y de la marcha. Además, la EP afecta la capacidad de aprendizaje movimientos y de tareas repetitivas. Debido a las limitaciones funcionales de los movimientos que se presentan durante la progresión de la enfermedad, se han diseñado tratamientos invasivos (quirúrgicos) y no invasivos (medicamentos) para mejorar la calidad de vida de los pacientes. Los trastornos motores en la EP muestran una alta variabilidad interindividual que desafía las estrategias actuales basadas en la observación en el entorno clínico para determinar la evolución real de la enfermedad y monitorear la respuesta a la terapia. Diferentes investigaciones han intentado analizar cuantitativamente los patrones de marcha por métodos lineales enfrentando varias limitaciones debido a la naturaleza no estacionaria de los patrones de marcha. Sin embargo, esa variabilidad contiene patrones ocultos que no son fácilmente cuantificables en una rutina clínica por su alta complejidad. Debido a que el patrón de marcha podría abordarse como un sistema caótico determinista, es posible asociar a individuos sanos con un alto comportamiento caótico (complejidad) y las anormalidades de la marcha presentes en pacientes con EP, se puede asociar con uno menor (menor complejidad). En el presente trabajo se desarrolló en dos partes. La primera parte consistió en la caracterización no lineal de la marcha de la EP mediante un análisis caótico determinista que representa la dinámica temporal de la marcha con un conjunto mínimo de parámetros. Específicamente, se obtuvieron parámetros retardo (delay) y dimensión embebida para reconstruir el espacio de fase y sus coeficientes característicos, a saber, exponente de Lyapunov, dimensión de correlacion y entropía aproximada. Se encontraron diferencias estadísticas (p < 0.05, prueba de Mann-Whitney) para el exponente de Lyapunov y la entropía aproximada al describir los patrones de marcha de los grupos control y EP. La segunda parte de este trabajo tuvo como objetivo representar de forma no lineal la cinemateca de las extremidades inferiores, destacando las diferencias entre los estadios de la EP. Para ello, se incluyó pose estimation basado en aprendizaje profundo para obtener los puntos de referencia del cuerpo y sus series temporales y, posteriormente, construir el espacio de fase basado en sus derivadas. Luego se calculó el mayor exponente de Lyapunov, la dimensión de correlación y la entropía aproximada, dando como resultado diferencias estadísticamente significativas (Prueba de rango Kruskal-Wallis, p < 0.05), particularmente entre los controles sanos y las etapas 3, la etapa más avanzada, y al comparar el estadio 1 frente al estadio 3. Estos hallazgos brindan información sobre como los patrones complejos pueden estar relacionados con la progresión de la enfermedad en la EP y pueden implementarse fácilmente utilizando dispositivos de video RGB asequibles (Texto tomado de la fuente)

Parkinson’s disease (PD) is a neurodegenerative disease that affects the motor control system responsible for the voluntary movements of the human body and cognitive functions. PD is the second most common neurodegenerative disease after Alzheimer’s disease with a world population of approximately 6 million and an estimated 18 million people by 2040. It is characterized by the death of dopaminergic neurons in an area known as substantia nigra pars compacta, which directly affects the function of the basal ganglia, affecting the motor control system. Motor manifestations include bradykinesia, hypokinesia, balance and gait disturbance. In addition, PD affects the ability to learn movements and repetitive tasks. Due to the functional limitations of movements that occur during the progression of the disease, invasive (surgical) and non-invasive (medication) treatments have been designed to improve the quality of life of patients. Motor disorders in PD show high inter-individual variability that challenges current observation-based strategies in the clinical setting to determine the current course of the disease and monitor response to therapy. Several researchers have attempted to quantitatively analyze gait patterns by linear methods, facing several limitations due to the non-stationary nature of gait patterns. However, this variability contains hidden patterns that are not easily quantifiable in a clinical routine and are highly complex. Because of the gait pattern could be approached as a deterministic chaotic system, it is possible to associate healthy individuals with high chaotic behavior and the gait abnormalities present in PD patients can be associated with decreased chaotic behavior. This work is developed in two parts. The first part consisted in making a non-linear characterization of the PD gait by means of a deterministic chaotic analysis that represents the temporal gait dynamics with a minimum set of parameters. Specifically, embedding and delay dimension parameters were obtained to reconstruct the phase space and its characteristic coefficients, namely Lyapunov exponent, correlation dimension, and approximate entropy. Statistical differences (p < 0,05, Mann-Whitney test) were found for the Lyapunov exponent and the approximate entropy when describing two gait patterns, that is, the control and PD groups. The second part of this work aimed to represent the kinematics of the lower extremities in a non-linear way, highlighting the differences between the stages of PD. For this, a widely used deep learning framework was implemented to obtain the reference points of the body and its time series and subsequently build the phase space based on the first-order derivatives. The largest Lyapunov exponent, correlation dimension, and approximate entropy were then calculated, resulting in statistically significant differences (Kruskal-Wallis rank test, p < 0,05), particularly between the healthy controls and stage 3, the most advanced stage, and compare stage 1 versus stage 3. These findings provide insight into how complex patterns may be related to disease progression in PD and can be easily implemented using imaging devices like RGB video capture.