Cognitive impairment inference in Parkinson's disease patients from spatiotemporal gait assessments using machine learning
Archivos
Autores
Serna Soto, Jose Elkin
Director
Romero Castro, Edgar Eduardo
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
InglésFecha de publicación
2025
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
El deterioro cognitivo es una de las complicaciones más relevantes en la enfermedad de Parkinson (PD), afectando significativamente la calidad de vida de los pacientes. La identificación temprana de estos déficits es crucial para mejorar la intervención clínica y el pronóstico de la enfermedad. Este estudio analiza la relación entre las características espaciotemporales de la marcha y el deterioro cognitivo en pacientes con PD en etapa temprana. Se utilizaron datos de 48 pacientes de la base de datos de la Parkinson’s Progression Markers Initiative (PPMI), dividiendo la muestra en dos grupos: pacientes sin deterioro cognitivo (PD) y aquellos con algún grado de deterioro cognitivo (PD-DC). Para el análisis, se implementaron siete algoritmos de aprendizaje automático, optimizando sus hiperparámetros y abordando el desequilibrio de clases. El desempeño de los modelos se evaluó mediante métricas como Recall, Precisión, F1-score y Exactitud (Accuracy), priorizando la sensibilidad para evaluar la capacidad de detección de la clase minoritaria. Los resultados indicaron que las características espaciotemporales de la marcha permiten diferenciar significativamente entre los grupos PD y PD-DC. Entre los modelos evaluados, el Perceptrón Multicapa (MLP) y el Cognitive Assessment through Gait in Parkinson’s Disease (CoGait-PD) presentaron el mejor desempeño, alcanzando valores de exactitud de 0.78 ± 0.08 y 0.77 ± 0.05, respectivamente. Estos modelos lograron un equilibrio entre sensibilidad y precisión, destacándose en la identificación de casos positivos y reduciendo falsos negativos. Los hallazgos sugieren que las características de la marcha pueden servir como biomarcadores no invasivos para la detección temprana del deterioro cognitivo en pacientes con PD. Además, los modelos de aprendizaje automático, particularmente CoGait-PD y MLP, muestran un alto potencial en la evaluación clínica. Se recomienda realizar estudios adicionales para validar estos hallazgos y explorar su aplicabilidad en entornos clínicos (Texto tomado de la fuente)
Abstract
Cognitive decline is a significant complication in Parkinson’s disease (PD), severely
impacting patients’ quality of life. Early identification of these deficits is crucial
to improving clinical intervention and disease prognosis. This study investigates
the relationship between spatiotemporal gait characteristics and cognitive decline
in early-stage PD patients. Data from 48 patients were obtained from the Parkinson’s Progression Markers Initiative (PPMI) database, categorised into two groups:
patients without cognitive impairment (PD) and those exhibiting some degree of
cognitive decline (PD-CD). Seven machine learning algorithms were implemented,
optimising hyperparameters and addressing class imbalance. Model performance
was evaluated using Recall, Precision, F1-score, and Accuracy, prioritising sensitivity to assess the classifiers’ ability to detect the minority class.
The results indicate that spatiotemporal gait characteristics significantly differentiate PD and PD-CD groups. Among the evaluated models, the Multilayer Perceptron
(MLP) and the Cognitive Assessment through Gait in Parkinson’s Disease (CoGait-PD) demonstrated the highest performance, achieving accuracy scores of 0.78 ± 0.08
and 0.77 ± 0.05, respectively. Both models balanced sensitivity and precision, excelling in identifying positive cases and reducing false negatives.
These findings suggest that gait characteristics may serve as non-invasive biomarkers for early detection of cognitive decline in PD patients. Additionally, machine
learning models, particularly CoGait-PD and MLP, show strong potential for clinical assessment. Further studies are recommended to validate these findings and
explore their applicability in clinical settings.
Descripción Física/Lógica/Digital
ilustraciones, diagramas