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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.