條文本
PDF
摘要
簡介我們的目標是開發一種新的方法來分類多動運動障礙，結合臨床信息，肌電圖，加速度測量和視頻在計算機輔助分類工具。我們認為這是快速和準確的表型分類的下一步，是診斷和治療過程的基石。
方法與分析運動障礙的下一步行動(NEMO)研究是格羅寧根大學醫學中心格羅寧根運動障礙專家中心的一項橫斷麵研究。它包括有單一和混合表型運動障礙的患者。單一表型組將首先包括肌張力障礙、肌陣攣和震顫，然後是舞蹈症、抽搐、共濟失調和痙攣。混合表型為肌陣攣性肌張力障礙、肌張力障礙性震顫、肌陣攣性共濟失調和痙攣性/震顫性功能性運動障礙。每組包括20名患者或40名健康參與者。納入的金標準包括三個獨立臨床專家對表型的觀察者之間的一致意見。在一組運動任務的執行過程中，將記錄肌電圖、加速度測量和三維視頻數據，由一組專家選擇，以引發運動障礙。這些數據將作為機器學習算法的輸入。監督學習的標簽由基於專家的分類提供，允許算法在給定新的輸入數據時學習預測輸出標簽應該是什麼。將使用基於現有臨床知識的人工設計特征的方法，以及可以檢測相關和可能的新特征的深度學習方法。 Finally, we will employ visual analytics to visualise how the classification algorithm arrives at its decision.
倫理與傳播已獲得當地相關倫理委員會的倫理批準。NEMO研究旨在開創機器學習在運動障礙中的應用。我們希望在多個相關研究領域發表文章，並通過患者協會和新聞稿將重要結果告知患者。
- 神經學
- 神經生理學
- 成人神經學
這是一篇開放獲取的文章，根據創作共用署名非商業(CC BY-NC 4.0)許可證發布，該許可證允許其他人以非商業方式分發、混音、改編、在此基礎上進行構建，並以不同的條款許可其衍生作品，前提是正確引用原始作品，給予適當的榮譽，任何更改都已注明，並且使用是非商業性的。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
數據來自Altmetric.com
本研究的優勢和局限性
這項橫斷麵研究解決了多動性運動障礙分類的真正需求，並可能徹底改變我們的臨床方法。
來自整個多動力運動障礙譜係的代表性患者將參與，包括肌陣攣、肌張力障礙、震顫、舞蹈病和抽搐，以及共濟失調、痙攣和功能性運動障礙。
將收集廣泛的數據集並用於分析:臨床信息和來自肌電圖、加速度測量和三維視頻的數據。
該項目是由一家知名專家中心的運動障礙專家和企業和學術界的計算機科學家合作完成的。
所需樣本量的計算由於缺乏這一確切領域的先前研究而受到阻礙。
簡介
多動力運動障礙肌陣攣、肌張力障礙、震顫、舞蹈病和抽動症的特點都是過度的、不自主的運動(表1）.1在出現這種障礙的患者中，及時準確地對運動障礙表型進行分類是至關重要的，因為表型分類將指導診斷測試和(對症)治療的臨床決策。1目前多動性運動障礙診斷的臨床算法，無論是針對肌張力障礙，2肌陣攣3.或震顫,4所有這些都從相同的步驟開始:確保確定患者的主要運動障礙表型。隨後的診斷步驟包括額外的檢查，如實驗室、影像學和基因檢測，這可以極大地幫助患者的病因診斷。治療也是如此:決定開哪種藥物或選擇哪個目標進行深部腦刺激是由主要的臨床運動障礙表型所指導的。
考慮到臨床表型識別的重要性，不幸的是，在許多患者中很難進行正確的分類。雖然每一種運動障礙的表型都有自己的臨床表現，但也會出現複雜和混合的形式。此外，五大多動表型(肌陣攣、肌張力障礙、震顫、舞蹈病和抽搐)可能與共濟失調、痙攣和功能性運動障礙具有重疊的臨床特征。目前，不自主運動的分類是基於臨床定義和專家意見。然而，研究表明，臨床分類的觀察者間和觀察者內差異很大。5 - 8這是一個主要問題，損害了患者的正確表型，從而延誤了病因診斷，提供量身定製的治療和治療效果的評估。
為了改進多動力運動障礙的分類，我們建立了當前的研究，運動障礙的下一步行動(NEMO)。我們的目標是將肌電圖(EMG)、運動傳感器和三維(3D)視頻與機器學習結合起來，開發出一種用於多動性運動障礙的計算機輔助分類工具，這將幫助醫療保健專業人員建立運動障礙的表型。這種計算機輔助分類工具的算法將使用來自多動運動障礙患者的輸入數據進行訓練，這些患者的表型是由一組失明的獨立專家同意的。
目前，肌電圖和加速度測量技術被應用於臨床實踐，以支持運動障礙的臨床分類，特別是肌陣攣、震顫和肌張力障礙。這是通過評估肌肉激活模式、爆發持續時間和頻率等特征來完成的。雖然並非所有的應用都有廣泛的證據支持，但這些方法有著悠久的傳統和豐富的經驗。9盡管在專家小組討論病例時經常使用視頻進行臨床應用，但使用視頻自動檢測、量化和分類非自主運動仍處於起步階段。最近在研究環境中使用視頻評估震顫頻率方麵取得了一些進展。10雖然這些最初的步驟令人鼓舞，但在其他運動障礙中的應用仍然缺乏。此外，到目前為止，機器學習在運動障礙中的研究主要集中在多動運動的量化上11以及優化自適應深度腦刺激。12據我們所知，努力分類不同類型的多動力運動障礙還沒有做出。
在NEMO項目中，我們結合了肌電圖、加速度測量和視頻記錄，開發了一種創新的運動障礙分類方法。我們認為計算機輔助分類工具的發展是快速和準確的多動運動障礙表型分類的下一步，這是診斷和治療過程的基石。
方法
研究人群
NEMO研究方案包括單表型和混合表型運動障礙患者。單個表型組將主要包括肌張力障礙、肌陣攣和震顫，未來還將增加舞蹈病、抽搐、共濟失調和痙攣。雖然痙攣通常不被歸類為運動障礙，但這一組被添加是為了區別於肌張力障礙，因為這兩種神經係統疾病有時會相互混淆。6同樣，共濟失調通常不被列為多動力運動障礙，但共濟失調的症狀可以與多動力運動障礙的症狀重疊，使其成為一個相關的表型包括。13混合表型組將包括肌陣攣-肌張力障礙、肌張力障礙性震顫、肌陣攣性共濟失調和痙攣性/震顫性功能性運動障礙。所有患者組由20名參與者組成。此外，還將包括40名健康參與者。患者將根據所有臨床信息(MRK, AMMvdS和MAJT)進行精心挑選:在參與實驗後，他們的數據將由專家小組審查，以評估他們的表型，以及他們是否符合納入的黃金標準。
隻有年滿16歲的參與者才有資格入選。排除標準包括導致上肢功能受損的共病情況，以及銀過敏或由於與肌電圖設備不兼容而植入的起搏器。此外，健康的參與者不能是多動性運動障礙患者的一級親屬。
招聘
患者將從格羅寧根大學醫學中心(UMCG)多動運動障礙數據庫中選擇，並在UMCG門診招募。如果使用這兩個來源的患者納入不能達到目標患者數量，我們將在其他醫院和通過患者協會進行招募。健康的參與者也將在UMCG招募。參與者將收到有關研究的書麵信息，並有機會事先向調查人員提問。未來的參與者如果有任何剩餘的問題，也可以打電話給沒有參與NEMO研究的獨立神經學家。所有參加者須在報名前給予書麵知情同意。
研究背景
格羅寧根醫學中心位於UMCG，在NEMO研究的開展中具有獨特的地位，因為我們治療各種多動力運動障礙患者。格羅寧根是荷蘭大學醫學中心聯合會(NFU)公認的官方專業中心，是歐洲罕見病參考網絡的一部分。數據分析將與ZiuZ視覺智能BV (IG和JC)以及烏得勒支大學(ACT)和格羅寧根大學的計算科學係合作進行。
試驗裝置
臨床信息
在研究訪問期間，將從參與者獲得發病年齡、家族史、疾病進展、藥物使用、症狀影響因素和心理報告等臨床信息。此外，他們的運動障礙對日常生活活動的影響將使用Fahn-Tolosa-Marin特發性震顫評分量表C部分進行評估，14以及來自伯克-範恩-馬斯登肌張力障礙評分量表的其他問題，15SARA共濟失調量表，16統一肌陣攣分級量表，17夏皮羅圖雷特綜合症嚴重程度量表18異常不自主運動量表。19此外，患者將被要求在視覺模擬量表上指出其運動障礙的感知嚴重程度。
運動任務
數據將在參與者執行幾項運動任務時收集。這些任務是從Fahn-Tolosa-Marin特發性震顫評定量表中選擇的，14Burke-Fahn Marsden肌張力障礙評分量表，15SARA共濟失調量表，16統一肌陣攣分級量表，17夏皮羅圖雷特綜合症嚴重程度量表18異常不自主運動量表。19所有這些都是經過驗證的量表，用於臨床實踐和實驗環境，以評估特定運動障礙的嚴重程度。因此，它們包含旨在引發患者運動障礙的任務，以便評估嚴重程度。任務的選擇與七名運動障礙、神經兒科和神經康複專家進行了深入討論，這些專家在肌張力障礙、肌陣攣、震顫、舞蹈病、抽搐、共濟失調或痙攣領域具有特殊經驗，以確保全麵覆蓋所有障礙。表2列出要包含的任務集。在記錄每個任務之前，訓練有素的調查人員將指導參與者。如果任務沒有按照指示執行或數據收集不理想，則要求患者重複任務。任務的版本控製用於確保數據分析中包含正確的任務版本。
數據收集
使用定製軟件(Visual Studio, Microsoft, USA)同時采集肌電圖、運動傳感器和3D視頻數據。體表肌電圖和運動傳感器數據將使用Trigno係統(Delsys, Massachusetts, USA)進行記錄。肌電圖和運動傳感器的數據采集頻率分別為2000hz和150hz。Trigno Avanti傳感器可在每個無線設備中測量肌肉活動、3D加速度測量、3D陀螺儀和3D磁強測量。十個Trigno Avanti傳感器將被放置在參與者的雙臂和頸部，用於肱二頭肌、肱三頭肌、橈側腕伸肌、尺側腕屈肌和兩個食指上，僅用於加速度測量。此外，Trigno Mini傳感器還可以在每個無線設備上使用傳感器頭和3D加速度測量技術來測量肌肉活動。六個Trigno Mini傳感器頭，記錄肌電圖數據，將雙側放置，瞄準拇外展肌、指腹外展肌和胸鎖乳突肌。六個Trigno Mini傳感器底座，用於記錄加速度測量，將被兩側放置在前臂內側靠近手腕、手背和下巴的位置。圖1圖示了肌電圖和運動傳感器的位置。
傳感器放置的描述。
3D視頻數據將使用兩種類型的3D攝像機記錄。Realsense D435相機(幀率30幀/秒;Intel, California, USA)將用於全身跟蹤;兩台Leap Motion相機(幀率120幀/秒;Leap Motion, California, USA)將被用於跟蹤手部。對於Realsense D435相機，使用Nuitrack API (3DiVi, California, USA)從深度幀中提取關節。除了深度幀，Realsense D435相機還以30幀/秒的速度收集二維(2D)彩色幀。Leap Motion相機使用內部算法從深度幀中提取關節。圖2描述攝像機追蹤的身體部位。
描述研究設置和數據收集。肌電圖、肌電圖。
肌電圖、運動傳感器和3D視頻數據都有不同的采樣頻率或幀率。為了實現模式的同步，在數據采集過程中保存每個數據樣本點的時間戳。
樣本大小
對於目前的研究，人工智能專家預計，每個患者組20名受試者將足以為計算機輔助診斷工具開發原理證明，因為每個參與者都收集了大量的數據。所需樣本量的計算由於缺乏這一確切領域的先前研究而受到阻礙。而機器學習，例如，核磁共振成像20.和腦電圖21數據以前被用於分類其他疾病，這些數據和疾病都與擬議的研究不同，因此不適合進行冪分析。
數據管理
研究數據將按照歐洲個人數據保護條例(一般數據保護條例)保密處理。每個參與者將被分配一個唯一的識別代碼。所有未識別的原始肌電圖、運動傳感器和3D視頻數據將存儲在UMCG托管和提供的研究驅動器中。預處理數據將在虛擬研究工作空間中存儲和分析，虛擬工作空間是由格羅寧根大學提供和托管的安全虛擬桌麵環境。使用UMCG托管的REDCap電子數據捕獲工具收集和管理去識別的臨床數據。22日23日
數據分析
黃金標準
表型分類的“金標準”被定義為三位經驗豐富的(國際)臨床專家之間的觀察者之間的協議，他們將各自獨立地評估患者的表型。他們的評估將基於參與者執行中所述的所有不同任務的視頻記錄(RGB, 2D)表2在實驗中。此外，還會記錄下患者講話的聲音片段，供專家評估。他們還會得到病史和輔助檢查的信息，盡可能地模擬典型的門診臨床情況。專家們將對調查人員做出的表型分類視而不見。專家的所有視頻數據都可以使用虛擬研究工作空間進行審查，相關臨床信息可以在REDCap中進行評估。臨床專家之間的觀察者間的一致性將使用Fleiss的kappa (K)來計算。24我們認為所有組的Fleiss ' K值高於0.80(解釋為極好的一致性)就足夠了。此外，對於每一位參與者，至少三分之二的專家應達成一致意見。如果參與者不符合這一要求，他們的數據將被排除在進一步分析之外。
機器學習分析
為了開發計算機輔助分類工具，將使用幾種機器學習技術。臨床參數、肌電圖、運動傳感器和3D視頻數據將作為機器學習算法的輸入。基於專家的表型分類將作為監督學習的患者標簽。在監督機器學習中，算法使用多個具有已知輸出標簽的示例進行訓練(基於專家的表型分類)，學習如何處理輸入數據(臨床、肌電圖、運動傳感器和視頻數據)以重現輸出標簽。然後，經過充分訓練的算法可以得到新的輸入數據，並能夠預測輸出標簽應該是什麼，使這些類型的算法非常適合分類。25將被研究的機器學習技術的例子包括深度學習方法，如長短期記憶網絡26以及基於人工設計特征的方法，如隨機森林分類器27 28學習矢量量化29 30利用臨床神經生理學研究和實踐的特征(例如，頻率分析或肌肉間相幹性)。從上述類中，深度學習方法具有計算可擴展性和自動提取相關特征進行分類的能力。相比之下，使用人工設計特征的方法允許控製分類器使用數據的哪些方麵來做出決策，因此可以用更少的數據進行訓練，以達到較高的準確性。關於機器學習算法如何獲得輸出標簽的信息通常是有限的，這可能會掩蓋混淆因素或簡單地降低對產生的輸出的信任。為了解決這個問題，我們將使用可視化分析來可視化分類算法是如何做出決策的，特別是它使用哪些數據方麵來做出決策。
倫理與傳播
NEMO研究方案已獲得UMCG醫學倫理委員會(METc 2018-444)的批準，並將根據赫爾辛基宣言的倫理標準進行。
本研究旨在開創機器學習在運動障礙分類中的應用，並允許全麵收集臨床信息、肌電圖和運動傳感器數據以及3D視頻。由於其範圍，我們希望在臨床神經學領域發表多篇文章，特別是運動障礙、臨床神經生理學、人工智能和視覺分析。此外，患者將通過不同的患者協會、新聞稿和網站了解重要的研究結果www.movementdisordersgroningen.com以及每年兩次的格羅寧根運動障礙患者日。
患者和公眾參與
格羅寧根運動障礙患者委員會的成員定期更新NEMO研究的進展，並就在線患者信息提供建議。為了招募參與者，招募了幾個病人協會的幫助。向患者和普通公眾的傳播已在上文描述。
討論
NEMO研究旨在開發一種計算機輔助的多動力運動障礙分類工具。這樣的工具將幫助醫生建立運動障礙的表型。充分的表型分類是臨床決策和治療多動性運動障礙的基礎，改善這一過程將最終使患者得到更快、更準確的診斷和治療。為此，我們將調查患有肌陣攣、肌張力障礙、震顫、舞蹈、抽搐和功能性痙攣性/震顫性運動障礙的患者，以及相關的共濟失調和痙攣。
我們的研究有幾個優勢和一些可能的局限性。這項研究的一個主要優勢是，它是在荷蘭UMCG的運動障礙格羅寧根運動障礙專業技術的領先中心進行的。所有多動運動障礙領域的專家都在場進行協作和患者招募。例如，幾位專家協助選擇患者在實驗期間將執行的適當任務，確保對所有相關運動障礙進行適當的調查。此外，該中心擁有龐大的患者數據庫，這是一個巨大的優勢，因為一些運動障礙是罕見的。此外，我們與我們中心的患者委員會有良好的關係，他們可以就招募和傳播結果提供建議。疾病的罕見性可能仍然會限製我們納入的速度，這是一個潛在的限製，但考慮到我們的專業中心的優勢以及與其他中心的合作，我們有信心在每個組中納入足夠多的患者。
第二個重要優勢是廣泛數據的收集和分析:包括臨床信息和來自肌電圖、運動傳感器和3D視頻的數據。在分析這些數據時，我們可以利用我們團隊中幾個成員的專業知識。例如，我們臨床神經生理科在運動障礙患者的肌電圖和運動傳感器數據分析方麵有豐富的經驗。31-34同樣，ZiuZ視覺智能公司是該項目的主要合作者，在開發和部署收集和分析不同部門視覺數據的係統方麵擁有良好的記錄，因此具有設計和實施計算機輔助診斷工具以及NEMO數據采集軟件所需的專業知識。此外，烏得勒支大學還提供了關於機器學習和視覺分析的學術信息35-38以及格羅寧根大學。39-42
意義
本研究的目的是向前推進運動障礙表型的分類，以改善診斷過程和優化多動性運動障礙患者的治療。這可以通過開發針對所有多動運動障礙表型的全麵計算機輔助診斷工具來實現，這是最終目標。這樣的工具將會改變遊戲規則，幫助神經學家更確定地建立患者的表型，這樣他們就可以迅速地進行其他病因研究，並開始正確的治療。
在這個過程中，很可能會發現一些新的診斷多動力運動障礙的生物標誌物。這些生物標記物可以很快對當前的臨床實踐產生影響，特別是如果它們在ECG或加速度測量領域，因為這些技術已經廣泛應用於運動障礙診斷。
此外，目前研究中正在開發的工具可用於監測疾病的嚴重程度和進展。這與治療期間患者的監測有關，例如深部腦刺激前後。另一個應用可能是臨床試驗中的患者評估。
研究現狀
正在進行數據收集。
倫理語句
患者發表同意書
參考文獻
腳注
推特@maddyvdstouwe
貢獻者研究概念:MAJdKT和ACT。實驗設計:AMMvdS、IT、IG、JC、RG、SvdV、MRK、ACT、MAJdKT。文章寫作:AMMvdS和IT。評審:IG, JC, RG, JD, SvdV, MRK, ACT和MAJdKT。
資金這項工作得到了歐盟區域發展基金與Fryslan省的合作(資助號01492947)和ZonMW TOP資助(資助號91218013)的支持。
相互競爭的利益本文作者IG、JC和MRK受雇於ZiuZ Visual Intelligence BV，該公司致力於開發輔助醫療保健的軟件工具。目前，這個項目沒有商業利益。
患者和公眾參與患者和/或公眾參與了本研究的設計、實施、報告或傳播計劃。更多細節請參閱方法部分。
出處和同行評審不是委托;提交前需經過同行評審，以獲得倫理和資金批準。