천상명 연구실
동아대학교 의학과
천상명 교수
파킨슨병
보행 분석
시계열 영상
홈
천상명 연구실
동아대학교 의학과 천상명 교수
천상명 연구실은 파킨슨병의 운동 및 비운동 영역에서 발생하는 임상 증상을 비침습적 측정과 데이터 기반 분석으로 평가하는 연구를 수행합니다. 보행 과제에서 추출한 spatiotemporal 특징과 time-series imaging을 활용하여 조기 단계 구분 및 동결 보행 관련 신체 표지를 탐색하는 방법론을 보유하고 있습니다. 또한 [18F] FP-CIT PET의 dual-phase 영상에서 질환 예측을 수행하는 딥러닝 접근을 수행합니다. 더불어 비약물적 중재 프로그램의 처방 양상, 의료비 부담, 신경과 전문의의 운동 권고 인식, 삶의 질 영향 요인을 분석하여 중재 설계와 의사결정 보조로 연결하는 연구를 병행합니다.
파킨슨병보행 분석시계열 영상딥러닝스페이시오템포럴 특성
대표 연구 분야
연구 영역 전체보기
보행·동결 보행(FOG) 기반 파킨슨병 조기진단 및 중증도 분류 연구
Gait and freezing of gait (FOG) for early detection and severity classification in Parkinson’s disea
연구 분야 상세보기
Dual-phase [18F] FP-CIT PET 영상 딥러닝 기반 파킨슨병 예측 연구
Deep learning prediction of Parkinson’s disease using dual-phase [18F] FP-CIT PET
연구 분야 상세보기
비약물적 중재 기반 파킨슨병 임상 관리와 삶의 질·부작용 요인 예측 연구
Non-pharmacological intervention for Parkinson’s disease and prediction of HRQoL and clinical factor
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
주요 논문
5
논문 전체보기
1
Article
|
인용수 0
·
2025Multidimensional factors of health-related quality of life in parkinson’s disease using ensemble learning and network analysis
Juseon Hwang, Changhong Youm, Hwayoung Park, Bohyun Kim, Hyejin Choi, Minsoo Kim, Sang‐Myung Cheon
IF 4.9 (2025)
Scientific Reports
파킨슨병(Parkinson's disease, PD)은 운동성, 비운동성 및 정신건강과 관련된 도전 과제를 유발하여 건강관련 삶의 질(HRQoL)에 유의한 영향을 미친다. 그러나 선행 연구들은 주관적 평가에 의존해 왔다. 여러 요인이 낮은 HRQoL과 관련되어 있으나, 인과적 관계는 아직 명확하지 않다. 따라서 본 연구의 목적은 PD에서 HRQoL 및 그 하위 영역의 핵심 증상 요인을 확인하고, 이들 요인 간 상호작용 네트워크의 구조를 규명하는 데 있다. 우리는 ON-약물 상태에서 PD 환자 101명을 평가하였다. 핵심 HRQoL 요인은 특징 선택을 위한 가중 앙상블의 최소 절대 수축 및 선택 연산자(LASSO)와 극단적 기울기 부스팅(extreme gradient boosting)을 사용한 뒤, 단계적 다변량 선형회귀를 수행하여 확인하였다. 네트워크 분석을 통해 변수 간 상호 연관성을 탐색하였다. HRQoL 총점은 Beck 불안 척도, 낙상 효능 척도-한국어(fall efficacy scale-Korean), Hoehn 및 Yahr 척도, 치료 기간, 최대 저크(maximum jerk), 표본 엔트로피(sample entropy)로 예측되었으며, 설명력은 65.7%였다. 하위 차원에 관해서는 불안, 낙상에 대한 공포, 그리고 가속도 가속도 표본 엔트로피가 핵심 결정 요인이었다. 본 연구는 PD에서 HRQoL의 핵심 운동성 및 비운동성 요인을 규명하고 영역별 네트워크를 보여준다. 이러한 결과는 PD 환자의 HRQoL 결과를 개선하기 위한 표적 개입 및 임상 의사결정에 도움을 줄 수 있다.
https://doi.org/10.1038/s41598-025-20656-9
Feature selection
Psychological intervention
Quality of life (healthcare)
Anxiety
Multivariate statistics
Ensemble learning
Disease
Multivariate analysis
2
Article
|
인용수 23
·
2025Machine learning for early detection and severity classification in people with Parkinson’s disease
Juseon Hwang, Changhong Youm, Hwayoung Park, Bohyun Kim, Hyejin Choi, Sang‐Myung Cheon
IF 4.9 (2025)
Scientific Reports
파킨슨병(Parkinson's disease, PD)의 조기 발견과 질병 진행의 정확한 평가는 치료 및 재활을 최적화하는 데 중요하다. 그러나 보행 분석을 통해 초기 단계의 PD를 효과적으로 검출하고 운동 증상의 중증도를 분류하는 방법에 대해서는 아직 합의된 바가 없다. 본 연구는 서로 다른 보행 속도에서의 시공간적 보행(spatiotemporal gait) 특징을 바탕으로 PD의 초기 및 중등도 단계를 분류하는 데 있어 기계학습 모델의 정확도를 평가하였다. 총 178명의 참가자를 모집하였으며, 이 중 103명은 PD 환자(초기 61명, 중등도 42명)였고 75명은 건강한 대조군이었다. 참가자들은 24-m 보행로에서 세 가지 속도 조건으로 보행 검사를 수행하였다: 선호 보행 속도(preferred walking speed, PWS), 그보다 20% 빠른 속도(20% faster, HWS), 그리고 그보다 20% 느린 속도(20% slower, LWS). 주요 특징인 PWS에서의 보행 속도, HWS에서의 보폭(stride length), 그리고 LWS에서의 보폭 변동계수(coefficient of variation, CV)가 무작위 포레스트(random forest) 알고리즘을 사용해 78.1%의 분류 정확도를 달성하였다. Naïve Bayes로 초기 PD 검출을 수행한 결과, HWS에서의 보폭과 LWS에서의 보폭 변동계수는 67.3%의 정확도를 제공하였다. PWS에서의 보행은 초기 PD와 중등도 PD를 구별하는 데 가장 중요한 특징이었으며, 정확도는 69.8%였다. 이러한 결과는 서로 다른 속도 조건에서 연속적인 걸음 동안의 보행을 평가하면 PD 환자의 조기 발견 및 중증도 평가를 향상시킬 수 있음을 시사한다.
https://doi.org/10.1038/s41598-024-83975-3
STRIDE
Gait
Physical medicine and rehabilitation
Random forest
Parkinson's disease
Naive Bayes classifier
Medicine
Disease
Artificial intelligence
Machine learning
3
Article
|
인용수 5
·
2024Deep learning-based detection of affected body parts in Parkinson’s disease and freezing of gait using time-series imaging
Hwayoung Park, Sungtae Shin, Changhong Youm, Sang‐Myung Cheon
IF 3.9 (2024)
Scientific Reports
우리는 파킨슨병(Parkinson's disease, PD) 및 보행동결(freezing of gait, FOG)을 가진 사람들에서 360° 회전 과제 동안 영향을 받은 신체 부위를 탐지하고 구분하기 위해 시계열(time-series, TS) 이미지를 기반으로 하는 순환신경망(convolutional neural network, CNN)을 활용한 딥러닝 방법을 제안하였다. 360° 회전 과제는 90명의 참가자(파킨슨병 환자 60명[동결자 30명 및 비동결자 30명]과 연령이 일치한 고령 성인 30명[대조군])가 자신의 선호 속도로 수행하였다. 위치와 가속도는 전처리를 거쳤다. 분석은 시간적 데이터에서 시각적 데이터로 확장되었으며, 이를 위해 TS 영상화(TS imaging) 방법을 사용하였다. PD 대 대조군 분류에 따르면, 영향을 덜 받은 쪽(least affected side, LAS)에서의 외측 종아리 하부 1/3 (right third of the lateral shank, RTIB)과 LAS에서의 우측 종골(right calcaneus, RHEE)이 위치 및 가속도 TS 이미지에서 가장 관련 있는 신체 분절이었다. RHEE 마커는 가속도 TS 이미지에서 가장 높은 정확도를 보였다. 동결자 vs. 비동결자 vs. 대조군의 분류를 위한 식별된 마커는 더 영향을 받은 쪽(more affected side)에서의 좌측 외측 상과(left lateral humeral epicondyle, LELB)와 좌측 후방 상장골극(left posterior superior iliac spine, LPSI)이었다. 가속도 TS 이미지에서 LPSI 마커가 가장 높은 정확도를 나타냈다. 본 접근법은 PD 중증도와 FOG를 결정하는 데 유용한 보조 도구가 될 수 있다.
https://doi.org/10.1038/s41598-024-75445-7
Gait
Parkinson's disease
Series (stratigraphy)
Disease
Computer science
Artificial intelligence
Pattern recognition (psychology)
Physical medicine and rehabilitation
Machine learning
Medicine
최신 정부 과제
1
과제 전체보기
1
주관|
2022년 6월-2023년 12월
|1,000,000,000원파킨슨병 비약물적 중재 프로그램 개발 연구
본 과제는 인지중재치료 및 운동중채 치료를 통해 파킨슨병의 증상악화 방지 전략을 마련하는 연구임.
연구 목표는 파킨슨병 맞춤형 통합 인지기능평가 도구 개발 및 검증, 맞춤형 인지중재치료 프로그램 개발 및 효과 검증, 맞춤형 비대면 운동 중재 프로그램과 대면/자가 운동 프로그램의 효과 검증까지 수행하는 데 있음. 핵심 연구내용은 진단 일치도 확인, 인지중재치료 도구 전반 구성 및 PoC, 온라인 플랫폼 구축 후 무작위 대조군 연구 수행, 대면 운동 3가지 Ver. 및 자가 운동 프로그램 개발 및 검증임. 기대효과는 파킨슨병 비약물적 중재 프로그램의 임상 활용과 파킨슨병 디지털 신약 개발의 초석 마련임.
파킨슨병
인지중재치료
운동치료
비대면
효과검증