[论文解读] High Frequency Remote Monitoring of Parkinson's Disease via Smartphone: Platform Overview and Medication Response Detection

Andong Zhan, Max A. Little+5 more|arXiv (Cornell University)|Jan 5, 2016

Voice and Speech Disorders参考文献 29被引用 51

一句话总结

该论文提出 HopkinsPD，一种基于智能手机的平台，通过主动和被动传感实现对帕金森病的高频远程监测。研究表明，仅使用智能手机内置传感器，机器学习即可以 71.0% 的准确率检测左旋多巴类药物治疗反应，从而实现可扩展的、真实世界中的症状追踪。

ABSTRACT

Objective: The aim of this study is to develop a smartphone-based high-frequency remote monitoring platform, assess its feasibility for remote monitoring of symptoms in Parkinson's disease, and demonstrate the value of data collected using the platform by detecting dopaminergic medication response. Methods: We have developed HopkinsPD, a novel smartphone-based monitoring platform, which measures symptoms actively (i.e. data are collected when a suite of tests is initiated by the individual at specific times during the day), and passively (i.e. data are collected continuously in the background). After data collection, we extract features to assess measures of five key behaviors related to PD symptoms -- voice, balance, gait, dexterity, and reaction time. A random forest classifier is used to discriminate measurements taken after a dose of medication (treatment) versus before the medication dose (baseline). Results: A worldwide study for remote PD monitoring was established using HopkinsPD in July, 2014. This study used entirely remote, online recruitment and installation, demonstrating highly cost-effective scalability. In six months, 226 individuals (121 PD and 105 controls) contributed over 46,000 hours of passive monitoring data and approximately 8,000 instances of structured tests of voice, balance, gait, reaction, and dexterity. To the best of our knowledge, this is the first study to have collected data at such a scale for remote PD monitoring. Moreover, we demonstrate the initial ability to discriminate treatment from baseline with 71.0(+-0.4)% accuracy, which suggests medication response can be monitored remotely via smartphone-based measures.

研究动机与目标

• 开发一种可扩展的、基于智能手机的平台，实现在真实世界环境中对帕金森病症状的高频远程监测。
• 评估在大规模临床研究中仅通过在线招募和软件安装实现完全远程研究的可行性。
• 证明智能手机获取的传感器数据能够客观检测帕金森病患者对左旋多巴类药物治疗的反应。
• 实现对关键帕金森病相关行为（包括语音、步态、精细动作、平衡能力和反应时间）的持续、多维监测。
• 为长期帕金森病症状追踪提供一种低成本、广泛可及的专用医疗设备替代方案。

提出的方法

• HopkinsPD 平台整合了主动测试（用户触发的任务）和被动传感（持续的后台数据采集），利用智能手机内置传感器。
• 从传感器数据中提取五个症状领域（语音、平衡、步态、精细动作和反应时间）的特征。
• 训练随机森林分类器以区分服药前后的测量结果。
• 被动数据流包括来自手机运动传感器的加速度计和陀螺仪信号，用于推断步态和平衡模式。
• 主动测试包括用户按需进行的语音录音、手指敲击任务和平衡评估。
• 数据安全上传至中央服务器，实现在全球参与者中的大规模、远程数据采集。

实验结果

研究问题

• RQ1 基于智能手机的平台是否能够在真实世界环境中实现帕金森病症状的高频远程监测？
• RQ2 是否可行通过仅在线招募和智能手机软件安装的方式开展大规模远程临床研究？
• RQ3 基于智能手机传感器数据训练的机器学习模型能否检测与左旋多巴类药物治疗反应相关的运动功能变化？
• RQ4 不同左旋多巴等效每日剂量（LEDD）的患者在服药后症状变化有何差异？
• RQ5 智能手机上的被动和主动传感能否提供可靠、多维度的帕金森病症状负担评估？

主要发现

• HopkinsPD 平台成功实现了远程、大规模的数据采集，六个月内共纳入 226 名参与者（121 名帕金森病患者，105 名对照者）。
• 共收集超过 46,000 小时的被动监测数据和约 8,000 个结构化主动测试实例，代表迄今最大的同类数据集。
• 随机森林分类器在区分药物反应与基线状态时达到 71.0% ± 0.4% 的准确率。
• 左旋多巴等效每日剂量较高者（如 872 mg）在服药后十项特征上表现出更明显且可测量的改善。
• 低剂量组患者（如 120 mg）的改善不那么显著，提示治疗反应存在个体差异，也表明个性化监测具有潜力。
• 该平台证明了利用消费级智能手机、无需专用硬件，即可实现可扩展的、低成本的远程临床研究。