Évaluation sans contact de la rigidité dans la maladie de Parkinson par vision artificielle et apprentissage automatique
La maladie de Parkinson (MP) est un trouble neurodégénératif caractérisé par des symptômes moteurs tels que la bradykinésie, les tremblements et la rigidité. L’évaluation clinique de ces symptômes, notamment la rigidité, repose traditionnellement sur la partie III de l’échelle MDS-UPDRS (Movement Disorder Society-sponsored revision of the Unified Parkinson’s Disease Rating Scale). Cependant, cette méthode nécessite un contact physique entre clinicien et patient, limitant son utilisation en télémédecine. Les avancées récentes en vision artificielle et apprentissage automatique offrent des solutions potentielles pour des évaluations sans contact, révolutionnant la prise en charge à distance. Si des études antérieures ont exploré l’évaluation automatisée de la bradykinésie et des tremblements, l’analyse de la rigidité par des méthodes non invasives restait inexplorée avant cette étude.
Cette recherche visait à développer un système sans contact pour évaluer la rigidité dans la MP en utilisant la vision artificielle et l’apprentissage automatique. L’hypothèse était que les caractéristiques cinématiques extraites de mouvements associés à la bradykinésie (mouvements des mains, marche, tapotement des orteils) pouvaient refléter indirectement la sévérité de la rigidité. Une équipe pluridisciplinaire de l’hôpital Ruijin et de Gyenno Science Co., Ltd. a conçu un protocole pour capturer les mouvements des patients via des enregistrements vidéo, suivis d’une extraction automatisée de caractéristiques et d’un entraînement de modèles.
Méthodologie
Recrutement des participants et collecte de données
L’étude a inclus 135 patients parkinsoniens de l’hôpital Ruijin, avec des critères d’exclusion ciblant les comorbidités interférant avec l’évaluation motrice. Les participants ont exécuté des mouvements standardisés des directives MDS-UPDRS III devant une caméra, incluant des tâches des membres supérieurs (MS : tapotement digital, pronation-supination), des membres inférieurs (MI : tapotement des orteils, agilité des jambes) et une analyse de la marche. Des neurologues expérimentés ont évalué la rigidité pour les MS, MI et le cou via l’échelle MDS-UPDRS (scores 0–4). Les vidéos de mauvaise qualité ont été exclues.
Extraction et ingénierie des caractéristiques
Des algorithmes de vision artificielle ont traité les vidéos pour extraire des caractéristiques spatio-temporelles des articulations, centrées sur quatre dimensions :
- Mouvement : Tâches spécifiques (ex. pronation-supination pour les MS).
- Articulation : Repères anatomiques (ex. main, bout des doigts, orteils).
- Signal : Types de données cinématiques (distance, angle, surface).
- Attribut : Métriques dérivées (vitesse, amplitude, variabilité, complexité).
Au total, 8903 caractéristiques ont été générées pour les MS, 6675 pour les MI et 68 315 pour le cou. Les attributs clés incluaient :
- Variabilité : Métriques de dispersion (écart-type, coefficient de variation).
- Complexité : Mesures statistiques avancées (kurtosis, entropie, facteur de crête).
Développement des modèles
L’algorithme Extreme Gradient Boosting (XGBOOST) a été choisi pour sa capacité à gérer des données de haute dimension. Les scores de rigidité ont été catégorisés en quatre classes (0, 1, 2, 3/4) en raison du faible nombre de cas sévères (score 4). Un échantillonnage stratifié a divisé les données en ensembles d’entraînement (112 patients) et de test indépendant (23 patients). La performance des modèles a été évaluée via :
- Coefficient de corrélation intraclasse (ICC) : Cohérence entre les scores du modèle et des cliniciens.
- Coefficient de corrélation de Spearman : Association ordinale.
- Précision absolue : Pourcentage de correspondance exacte des scores.
Résultats
Modèle pour les membres supérieurs
Le modèle pour les MS a montré une cohérence modérée avec les évaluations cliniques (ICC = 0,66 ; IC 95 % : 0,45–0,79), une corrélation de Spearman à 0,64 et une précision absolue de 65 %. Les contributeurs principaux incluaient :
- Mouvement : Pronation-supination (52,3 %) et tremblements cinétiques (16,5 %).
- Articulations : Main (69,1 %) et bout des doigts (28,2 %).
- Signal : Distance (49,7 %) et angle (35,9 %).
- Attribut : Variabilité (35,2 %) et complexité (27,4 %).
Les articulations distales (ex. doigts) ont fourni plus d’information discriminante que les proximales.
Modèle pour les membres inférieurs
Le modèle pour les MI a obtenu un ICC = 0,60 (IC 95 % : 0,39–0,76), une corrélation de Spearman = 0,58 et une précision de 72 %. Les caractéristiques dominantes incluaient :
- Mouvement : Marche (55,4 %) et tapotement des orteils (41,7 %).
- Articulation : Orteils (41,7 %).
- Signal : Distance (92,4 %).
- Attribut : Variabilité (34,4 %) et complexité (25,1 %).
Un exemple notable est la caractéristique «13_back_angular_velocity_var_hip2ankle_angle_feature_point_feature», reflétant une dispersion réduite de la vitesse angulaire lors de la marche chez les patients rigides.
Modèle pour la rigidité cervicale
Le modèle cervical a atteint un ICC = 0,70 (IC 95 % : 0,40–0,86), une corrélation de Spearman = 0,67 et une précision de 78 %. Les contributeurs clés étaient :
- Mouvement : Marche (41,0 %).
- Articulations : Bout des doigts (46,2 %) et main (31,4 %).
- Signal : Distance (80,4 %).
- Attribut : Complexité (43,6 %) et variabilité (41,3 %).
Cela suggère que la rigidité cervicale influence indirectement la cinématique des mains lors de la marche.
Discussion
Pertinence clinique et innovation
Cette étude est la première à évaluer la rigidité sans contact via la vision artificielle. Les méthodes traditionnelles, nécessitant une mobilisation passive des membres, limitent la télémédecine. En exploitant des mouvements liés à la bradykinésie, ce système capture des attributs corrélés à la rigidité (ex. variabilité et complexité).
Pour les MS, la pronation-supination, bien que liée à la bradykinésie, a fourni des informations cruciales. L’analyse de la marche a contribué aux modèles MI et cervical, indiquant que la rigidité altère les schémas moteurs globaux.
Insights techniques
La prédominance de la variabilité et de la complexité dans tous les modèles souligne leur utilité. Par exemple :
- Variabilité : Une dispersion réduite de la vitesse angulaire pendant la marche corrèle avec une rigidité accrue.
- Complexité : La kurtosis de la vitesse du genou distingue les mouvements fluides des mouvements rigides.
L’analyse d’importance des caractéristiques par XGBOOST a révélé que les articulations distales (ex. doigts) étaient plus informatives, possiblement car la rigidité amplifie les anomalies motrices subtiles.
Limites et perspectives
Le design monocentrique et la sous-représentation des stades sévères (Hohen-Yahr 4–5) limitent la généralisation. La validation sur des cohortes multicentriques plus larges est nécessaire. Les travaux futurs devraient intégrer des sous-types tremorigènes et des applications en télémédecine réelle.
Conclusion
Cette recherche démontre la faisabilité d’une évaluation sans contact de la rigidité dans la MP via la vision artificielle. L’analyse de caractéristiques cinématiques issues de tâches liées à la bradykinésie permet une concordance modérée à bonne avec les évaluations cliniques. La variabilité et la complexité émergent comme des attributs clés, offrant une quantification objective innovante. Cette approche ouvre des perspectives majeures pour le suivi à distance, notamment dans les régions à ressources limitées.
doi.org/10.1097/CM9.0000000000002668