Page 26 - 2022-31-中国全科医学

http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn ·3863·

表 6 基于重要步态特征的 RF 模型和 GBDT 模型区分各组的准确度 先前研究结果一致 ［39-41］ 。但也有研究结果显示，虽然
和 AUC 值 MCI 患者的步态参数比 HC 更差，但是没有一项单任务
Table 6 The accuracy and AUC value of RF model and GBDT model in
distinguishing healthy controls，amnestic mild cognitive impairment and 和双任务的步态参数能够区分二者，双任务损伤则是
Alzheimer's disease patients based on important gait features AD 患者特有的 ［42-43］ 。本研究中的机器学习部分也证
RF GBDT 明了这一点，自由行走状态实现的分类准确率为0.623 5，
项目
准确率 AUC 准确率 AUC
双任务状态实现的分类准确率为0.683 7，二者差别不大。
自由行走
这也充分说明 MCI 是介于正常老化和痴呆之间的一种
HC 组 /AD 组 0.858 3 0.900 0 0.811 1 0.791 7
过渡状态，患者的步态障碍也在有与没有之间，所以是
aMCI 组 /AD 组 0.876 9 0.933 3 0.846 1 0.812 5
否可通过步态参数实现 HC 和 aMCI 分类仍有待商榷。
倍数 7 测试
同时，本研究结果显示单任务和双任务时的步速、足趾
HC 组 /AD 组 0.905 6 0.944 4 0.905 6 0.944 4
aMCI 组 /AD 组 0.876 9 0.817 3 0.830 8 0.866 7 离地角度和足跟着地角度在 HC 组与 AD 组间差异均有
倒数 100 测试 统计学意义，与先前研究一致 ［44］ 。单任务行走不具备
HC 组 /AD 组 0.858 3 0.875 0 0.819 4 0.833 3 认知任务，研究结果中却得出单任务的步态参数能够区
aMCI 组 /AD 组 0.846 2 0.866 7 0.769 2 0.781 3 分 HC 组和 AD 组人群，这是可以解释的。有研究表明，
步态障碍在痴呆患者中比在生理性衰老人群中常见，
试者。重要的是，足趾离地角度和足跟着地角度不但在 且其常见于整个 AD 病程，患病率随着 AD 阶段的加重
各组间有差异，也被机器学习算法选择为重要步态特 而增加 ［45］ 。本研究在试验中加入了机器学习评估 HC
征。结合之前的研究 ［34］ ，得出足趾离地角度和足跟着 组和 AD 组患者，并在文献［46-47］基础上，加入了
地角度在未来作为评估有关认知障碍疾病的标志物具有 RFE 对区分 HC 组和 AD 组的步态参数进行重要特征选
重要临床意义。与自由行走比较，倒数 100 行走任务已 择，结果显示步速、足趾离地角度和足跟着地角度作为
经被证明可能影响 MCI 患者的步态参数 ［8，35］ ，但倍数 RF 模型的输入特征，对 HC 组和 AD 组进行分类的效果
7 行走任务却很少受到关注。本研究在受试者进行步态 最佳，单任务和双任务的分类准确率均为 0.850 0 以上，
测试时，尝试将倍数 7 行走任务加入，结果显示其和倒 与统计分析结果一致。关于 aMCI 组与 AD 组，前期研
数 100 行走任务的步态参数效果基本一致，即只有步幅 究发现，在双任务测试中，与 MCI 患者相比，AD 患者
在各组间差异无统计学意义，但倍数 7 行走任务时的支 速度降低、步幅时间增加 ［48］ ；在单任务和双任务的起
撑时间在 HC 组和 AD 组之间表现出了统计学差异，与 立行走测试时，步速、步态周期、步频和步长差异有统
倒数 100 行走任务时不一致 ［36］ ，提示未来可把不同行 计学意义 ［9］ 。这与本研究结果相符，但是本研究结果
走任务的支撑时间对 AD 的影响放入研究中。 显示，aMCI 组与 AD 组步频和步长比较，差异无统计
在统计学中，根据统计学方法所得到的 P 值，即概 学意义，时间 - 空间参数（足趾离地角度、足跟着地
率，是反映某一事件发生的可能性大小，一般将 P<0.05 角度）差异有统计学意义。机器学习结合 RFE 进行重
定义为差异有统计学意义。也有一些研究将 P>0.05 且 要特征选择是区分 aMCI 组与 AD 组的重要环节，本研
P<0.1 的结果定义为具有边际差异，即微弱效应 ［37-38］ 。 究结果显示步幅、足趾离地角度和足跟着地角度是区分
本研究将边际差异纳入，结果显示各组间具有边际差 aMCI 患者和 AD 患者的重要步态标志物，在 RF 模型中，
异的步态参数平均值差值较大，如自由行走任务时的 aMCI 组和 AD 组的分类准确率可达 0.876 9。随着疾病
足趾离地角度在 aMCI 组和 AD 组之间具有边际差异 的发展，单任务和双任务的步态表现下降，但是 aMCI
（P=0.076），aMCI 组的平均值为（41.05±4.48）°， 和 AD 之间具有统计学差异的步态参数并不多，而且总
而 AD 组的平均值为（38.34±5.20）°。值得注意的是， 体来看，RF 模型对 aMCI 和 AD 的分类效果也不如其对
大部分具有边际差异的步态参数在另外两个行走任务或 HC 组和 AD 组的分类效果。由此来看，步态障碍不仅
者另外两个其中的一个行走任务中的相同组别中差异有 可在 AD 患者中被观察到，也是 aMCI 患者的伴随事件，
统计学意义。提示未来应该对具有边际差异的步态参数 但是 aMCI 患者的步态障碍轻于 AD 患者。近年来，有
进行讨论，并且纳入临床研究中，这可能会帮助临床医 关 aMCI 和 AD 的步态障碍研究越来越多，并且证实了
生更快、更准确地评估患者。本研究也间接证明了这一 步态障碍的严重程度取决于疾病的类型和认知障碍的严
内容，自由行走的足趾离地角度作为重要步态特征之一， 重程度 ［45］ 。总体而言，从临床角度来看，机器学习技
在识别 aMCI 和 AD 上产生了最佳准确率。 术建立分类模型的研究可以帮助临床医生将机器学习作
本研究结果显示，在单任务和双任务时，HC 组和 为识别 aMCI 和 AD 诊断的工具，并为明智的决策提供
aMCI 组间均有部分步态参数差异有统计学意义，这与 解释。