Un recente studio pubblicato su Npj Digital Medicine ha esplorato come i brevi dati dei sensori indossabili, combinati con modelli di machine learning, possano prevedere il rischio di cadute negli individui con malattia di Parkinson fino a cinque anni. Analizzando la deambulazione e lo sway posturale, la ricerca mirava a offrire un metodo affidabile e obiettivo per anticipare le cadute e migliorare l'assistenza preventiva e gli esiti clinici.
Le valutazioni tradizionali del rischio di caduta si basano fortemente sul giudizio clinico, che può essere soggettivo e incoerente. Tuttavia, le nuove tecnologie dei sensori indossabili offrono l'opportunità di misurare il movimento in modo più oggettivo, offrendo informazioni sulle irregolarità della deambulazione e dell'equilibrio che sono difficili da rilevare visivamente.
I ricercatori hanno determinato lo stato di caduta attraverso visite cliniche e follow-up a due e cinque anni. Per garantire un'analisi solida, hanno ricampionato la maggior parte della classe "non caduti" per bilanciare il dataset per i modelli di machine learning. Sono stati utilizzati cinque algoritmi di apprendimento automatico (Random Forest, Regressione Logistica, ElasticNet, Support Vector Machine e XGBoost) per analizzare i dati, con metriche come accuratezza, precisione e area sotto la curva (AUC) per valutare le prestazioni.
La selezione delle caratteristiche si è concentrata su variabili critiche come la variabilità dell’andatura e l’instabilità posturale. È stato valutato anche l’impatto dei dati clinici-demografici (età, durata della malattia, punteggi clinici di base) per integrare le previsioni basate sui soli parametri cinematici.
I dati di base sono stati raccolti utilizzando sensori indossabili durante un compito di camminata di due minuti e un compito di oscillazione posturale di 30 secondi. Tutti i partecipanti indossavano sei sensori posizionati sui polsi, i piedi, lo sterno e la regione lombare. L'obiettivo dello studio era sviluppare valutazioni affidabili e di breve durata per la previsione a lungo termine delle cadute nella malattia di Parkinson integrando la tecnologia indossabile con metodi statistici avanzati per migliorare il processo decisionale clinico.
I risultati hanno riportato che i sensori indossabili e i modelli di machine learning hanno previsto efficacemente il rischio di caduta negli individui con malattia di Parkinson nel tempo. A 24 mesi, i classificatori di machine learning hanno dimostrato prestazioni eccellenti, con un'accuratezza compresa tra l'84% e il 92% e un'area sotto la curva (AUC) superiore a 0,90.
Nel complesso, lo studio ha evidenziato il potenziale dell'integrazione dei dati dei sensori indossabili con i modelli di machine learning per prevedere il rischio di caduta nella malattia di Parkinson. I risultati hanno inoltre sottolineato l'importanza della variabilità della deambulazione e posturale come fattori predittivi e hanno dimostrato la fattibilità di valutazioni cliniche di breve durata.
Migliorando la rilevazione precoce dei rischi di caduta, questi metodi offrono una strada verso interventi mirati, riducendo l'incidenza delle cadute e migliorando la qualità della vita dei pazienti con malattia di Parkinson.