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.

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.

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.

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.

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.

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.

인지 기능장애는 파킨슨병(PD)의 흔한 비운동성 증상이나, 조기 발견은 기존의 인지 평가가 지니는 민감도 한계로 인해 여전히 제한적이다. 최근 축적되는 증거는 운동 기능장애, 특히 보행과 균형 이상이 내재된 인지 취약성을 반영한다는 점을 시사한다. 본 연구는 운동–인지 연관성을 검토하고, 직접적인 인지 검사를 수행하지 않고도 운동에서 유도한 특성(motor-derived features)을 이용하여 PD 환자의 저-MoCA 상태를 분류할 수 있는지 평가하였다. 파킨슨병 환자 102명의 자료를 분석했으며, 임상 평가, 신체 기능 측정, 생활양식 요인, 보행에서 유도한 바이오마커를 포함하였다. 다중 회귀분석 결과, Unified Parkinson’s Disease Rating Scale Part III, 선호 속도에서 360° 회전 시 더 증상이 심한 쪽의 보폭(stride length), 그리고 전방 보행 동안 덜 증상이 심한 쪽의 최대 발목 저크(ankle jerk)가 Montreal Cognitive Assessment 점수의 독립적 예측인자로 확인되었고, 이들은 변동성의 34.7%를 함께 설명하였다. 네트워크 분석에서는 전반적인 운동 중증도, 보행의 매끄러움, 인지 수행 간의 통합적 관계가 확인되었다. 간결한 운동 기반 특성 집합을 사용했을 때, 로지스틱 회귀분석은 교차검증 하에서 저-MoCA 상태 분류에 평균 정확도 65.8%와 AUC 0.737을 달성하였다. 이러한 결과는 운동에서 유도한 디지털 바이오마커가 PD에서 인지 상태에 대해 임상적으로 의미 있는 정보를 포착함을 보여주며, 임상 현장에서 인지 취약성을 식별하기 위한 보조적 도구로 활용될 수 있음을 시사한다.

배경: 파킨슨병(Parkinson's disease, PD)의 분류와 예측은 중증도 수준에 따른 다양한 아형(subtype)을 보이기 때문에 어렵다. 현재 임상시험에서 PD 아형을 구분할 수 있으며 질병 중증도와 연관된 객관적 바이오마커의 확인이 필요하다. 본 연구는 객관적 다중모달 데이터와 기계학습(ML) 접근법을 결합하여, PD 중증도 아형 분류 및 디지털 바이오마커 개발을 통해 PD의 임상적 적용 가능성과 이질성을 다루고자 한다. 방법: 우리는 PD 환자(n = 102)로부터 수집된 운동 분석 시스템의 보행 파라미터와 웨어러블 센서 데이터, 임상적 특성, 신체 기능 및 생활양식 데이터를 통합한 데이터셋을 분석하여 아형 분류를 위한 클러스터링을 수행하였다. 결과: 우리는 세 가지 PD 중증도 아형을 확인하였으며, 각 아형은 임상적 중증도 양상이 서로 달랐고, 클러스터 1에서 3으로 진행될수록 중증도가 증가하였다. 모든 모달리티 및 단일 모달리티와 통합 PD 평가 척도(unified PD rating scale) 점수 간에 유의한 상호정보량(mutual information)을 확인하였고, ML을 통해 특성 중요도가 높은 잠재 모달리티를 규명하였다. 모든 모달리티 중에서는 웨어러블 센서로부터 도출된 보행 파라미터의 주성분(principal components)이 PD 중증도와 가장 연관된 지표로 확인되었다. 왼쪽과 오른쪽 발목의 첫 번째 주성분을 활용한 모델은 곡선하 면적(area under the curve) 1.0으로 완전한 분류를 달성하였으며, 임상적으로 중증인 PD 아형과 경증 아형을 정확히 구분하였다. 이러한 결과는 발목 양측의 보행 특성이 PD 중증도 아형과 관련된 비대칭 요인을 반영할 수 있으며, 이는 높은 분류 성능에 기여함을 시사한다. 결론: 신체 분절의 양측에 부착된 웨어러블 센서에서 얻은 디지털 바이오마커는 PD 중증도 아형을 분류하고 질병 진행을 추적하는 데 잠재력을 보여준다. 본 연구는 PD 관리에서 센서 기반 보행 분석의 임상적 가치를 강조하였으며, 이를 PD 환자에서 개인화 모니터링 시스템과 치료적 개입에 통합하는 것을 제안하였다.