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