La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo progresivo que afecta principalmente al sistema motor. Los síntomas de la enfermedad incluyen temblor, rigidez y bradicinesia. Los síntomas se desarrollan gradualmente y empeoran con el tiempo, afectando la vida diaria de los pacientes. No existe una cura conocida, aunque existen tratamientos que ayudan a controlar los síntomas más incapacitantes de la misma. La levodopa es el precursor metabólico de la dopamina y actúa sobre el cerebro estimulando la generación de dopamina. Esta molécula es la que ha posibilitado una mejora sin precedentes en la calidad de vida de los enfermos de la EP y en su esperanza de vida. Sin embargo, a lo largo de los años, y como efecto secundario de la medicación, aparecen fluctuaciones motoras incapacitantes y movimientos involuntarios exagerados llamados discinesia inducida por levodopa (LID). Prevenir o minimizar los episodios de LID, así como las fluctuaciones motoras, es uno de los principales objetivos de los tratamientos actuales para la EP [1]. La aparición y severidad de los episodios discinéticos proporcionan información muy valiosa al neurólogo para adaptar mejor la medicación de los pacientes y, por lo tanto, reducir estos episodios. Además, el monitoreo de las LID permite a los médicos seguir y comprender mejor la evolución de la enfermedad. El objetivo de este trabajo es desarrollar y validar un algoritmo, incrustable en un dispositivo sensorial situado en la cintura, para la detección ambulatoria de LID y la estimación de su severidad. La base de datos del proyecto REMPARK [2] contiene datos de 92 pacientes con la EP y se ha utilizado para obtener los modelos de detección y severidad. El algoritmo propuesto toma como entrada las señales de aceleración triaxiales obtenidas de un sensor situado en la cintura y analiza características frecuenciales relacionadas con las LID en secuencias de 48s. de longitud. En este trabajo se han evaluado diferentes clasificadores de aprendizaje automático para la detección de LID y varios métodos de regresión para estimar la severidad. Se han logrado resultados del 92% de especificidad y 85% de sensibilidad para la detección de episodios discinéticos usando máquinas de vectores de soporte (SVM). Respecto a la severidad de los eventos, se obtuvo un error cuadrático medio (MSE) de 2.58 mediante el uso de un modelo de regresión lineal múltiple. El algoritmo propuesto identifica LID con alta especificidad y buena sensibilidad, a la vez que logra una buena precisión al calificar la severidad. Este algoritmo se ha diseñado de tal forma que sea implementable en línea en un dispositivo sensor capaz de monitorizar las LID en pacientes con EP.
Parkinson’s disease (PD) is a progressive neurodegenerative disorder that mainly affects the motor system with symptoms including tremor, rigidity and bradykinesia. The symptoms related to this disease develop gradually and become worse as time goes by, affecting the daily life of the patients. There is not any known cure, although there are treatments that help control the disabling symptoms of the disease. Levodopa is the metabolic precursor of dopamine; it acts on the brain stimulating the generation of dopamine. This molecule is what has enabled an unprecedented improvement in the quality of life of PD patients and their life expectancy. However, over the years, and as a side effect of medication, disabling fluctuations and exaggerated involuntary movements called levodopa-induced dyskinesia (LID) appear. Preventing or minimizing LID episodes, as well as motor fluctuations, is one of the main goals for current PD treatments [1]. Onset and severity patterns of dyskinetic episodes provides useful information to the neurologist to better tailor the medication to the patients and hence reduce these episodes. In addition, LID monitoring also enables clinicians to follow and better understand the evolution of the disease. The objective of this work is to develop and validate an embeddable algorithm to be implemented in a waist-worn sensor for the ambulatory detection of peak-dose LID and the estimation of their severity. The database of the REMPARK project [2] contains data from 92 PD patients and has been used to obtain detection and severity models. The proposed algorithm takes as input the triaxial acceleration signals obtained from a waist-worn sensor. The algorithm analyzes 48s. length sequences, which are characterized by frequency features related to LID. Different machine learning classifiers are evaluated in the LID detection task and various regression methods in estimating LID severity. LID severity was determined as the sum of the subscale scores of the Unified Dyskinesia Rating Scale (UDysRS) [3], resulting in a scale between 0 and 28. Results of 92% specificity and 85% sensitivity have been achieved for the detection of dyskinetic episodes following a leave-one-patient-out approach and using a Support Vector Machine (SVM) algorithm. Regarding the severity, a mean squared error (MSE) of 2.58 was obtained by using a multiple linear regression model. The proposed algorithm to treat waist-worn accelerometer signals identifies LID with high specificity and good sensitivity, while achieved good accuracy in rating its severity. The algorithms developed can be implemented in the sensor device for the monitoring of LID in PD patients.
