Chẩn đoán bệnh Parkinson: Khóa luận tốt nghiệp phân tích chuyển động qua dữ liệu cảm biến lực ở bàn chân

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC Y DƯỢC ------

NGUYỄN ĐỨC QUANG THỌ

CHẨN ĐOÁN BỆNH LÝ PARKINSON

DỰA VÀO PHÂN TÍCH CHUYỂN ĐỘNG

THÔNG QUA DỮ LIỆU CẢM BIẾN LỰC GẮN Ở BÀN CHÂN

KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC NGÀNH DƯỢC HỌC

HÀ NỘI - 2022

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC Y DƯỢC ------

Người thực hiện: NGUYỄN ĐỨC QUANG THỌ

CHẨN ĐOÁN BỆNH LÝ PARKINSON

DỰA VÀO PHÂN TÍCH CHUYỂN ĐỘNG

THÔNG QUA DỮ LIỆU CẢM BIẾN LỰC GẮN Ở BÀN CHÂN

KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC NGÀNH DƯỢC HỌC

Khóa: QH.2017.Y Cán bộ hướng dẫn 1: ThS. BS. Lê Đình Khiết Cán bộ hướng dẫn 2: ThS. BSNT. Trần Tiến Đạt

HÀ NỘI - 2022

LỜI CẢM ƠN

Em là Nguyễn Đức Quang Thọ, sinh viên Khóa QH.2017.Y. Lời đầu tiên em

xin gửi lời cảm ơn đến toàn thể Ban Giám hiệu Trường Đại học Y Dược, Đại học Quốc Gia Hà Nội và Bộ môn Y Dược học cơ sở đã tạo điều kiện cho em được làm

khóa luận tốt nghiệp. Em xin chân thành cảm ơn các thầy cô giáo trong trường đã dìu dắt, giúp đỡ em hoàn thành chương trình học tập suốt 5 năm qua.

Em xin bày tỏ lòng biết ơn sâu sắc và tri ân đến ThS. Lê Đình Khiết và ThS.

Trần Tiến Đạt, những người đã luôn tận tình hướng dẫn, tạo điều kiện giúp đỡ em

hoàn thành khóa luận.

Cuối cùng em xin gửi lời cảm ơn tới gia đình, bạn bè và người thân đã luôn

quan tâm, động viên giúp em hoàn thành khóa luận này.

Dù đã rất cố gắng, nhưng lần đầu làm nghiên cứu em khó tránh khỏi những

thiếu sót. Em rất mong nhận được ý kiến đóng góp của các thầy cô để khoá luận của

em thêm hoàn thiện.

Em xin chân thành cảm ơn!

Hà Nội, ngày 20 tháng 05 năm 2022

Sinh viên

Nguyễn Đức Quang Thọ

DANH MỤC KÝ HIỆU VÀ TỪ VIẾT TẮT

Chữ viết tắt Ý nghĩa

Control Subject (Nhóm đối chứng) CO

Cerebrospinal Fluid (Dịch não tủy) CSF

False Negative (Âm tính giả) FN

False Positive (Dương tính giả) FP

Glucocerebrosidase GBA

Chỉ số Hoehn - Yarh HY

Inter-Limb Timevarying Singular Value ITSV

(Giá trị đơn)

Leucine Rich Repeat Kinase LRRK2

Parkinsonism Associated Deglycase PARK7

Parkinson’s Disease (Bệnh Parkinson) PD

PTEN Induced Putative Kinase 1 PINK1

Parkin RBR E3 Ubiquitin Protein Ligase PRKN

Reactive Oxygen Species (Gốc oxy hóa ROS

hoạt động)

Total Left (Tổng lực chân trái) TL

True Negative (Âm tính thật) TN

True Positive (Dương tính thật) TP

Total Right (Tổng lực chân phải) TR

Ubiquitin C-Terminal Hydrolase L1 UCHL1

Thuộc tính dao động trung tâm áp lực Var_COP

Recurrence Quantification Analysis RQA

(Phân tích định lượng tái phát)

DANH MỤC BẢNG

Bảng 2.1. Tổng quan dữ liệu các đối tượng tham gia nghiên cứu ............................ 12

Bảng 2.2. Bảng mô tả dữ liệu thu thập được từ cảm biến lực gắn ở bàn chân của một bệnh nhân (Đơn vị: N) .............................................................................................. 13

Bảng 2.3. Tọa độ của các cảm biến dưới đế giày...................................................... 13 Bảng 2.4. Ma trận lỗi……………………………………………………………….18

Bảng 3.1. Tổng quan giá trị var_COP của từng nhóm người tham gia nghiên cứu . 20

Bảng 3.2. p_value khi phân biệt các nhóm người tham gia ......................................... 21

DANH MỤC HÌNH

Hình 1.1. Triệu chứng vận động trong Parkinson ....................................................... 5

Hình 2.1. Vị trí gắn các cảm biến lực ....................................................................... 13

Hình 2.2. Lực chân trái.............................................................................................. 14

Hình 2.3. Lực chân phải ............................................................................................ 15

Hình 2.4. Tổng lực mỗi chân .................................................................................... 15

Hình 2.5. Tổng lực hai chân ...................................................................................... 16

Hình 3.1. Biểu đồ biểu diễn chỉ số var_COP của 4 nhóm ........................................ 20

Hình 3.2. Ma trận lỗi khi phân biệt CO và PD .......................................................... 22

Hình 3.3. Ma trận lỗi khi phân biệt CO và PD (HY= 2) ........................................... 22

MỤC LỤC

LỜI CẢM ƠN

DANH MỤC KÝ HIỆU VÀ TỪ VIẾT TẮT

DANH MỤC BẢNG

DANH MỤC HÌNH

ĐẶT VẤN ĐỀ ............................................................................................................. 1

CHƯƠNG 1: TỔNG QUAN ....................................................................................... 3

1.1. Bệnh Parkinson .............................................................................................. 3

1.2. Phân biệt bệnh Parkinson và hội chứng Parkinson ....................................... 3

1.3. Triệu chứng .................................................................................................... 4

1.4. Phân loại bệnh Parkinson .............................................................................. 6

1.5. Nguyên nhân của Parkinson .......................................................................... 6

1.6. Dấu ấn sinh học chẩn đoán Parkinson ........................................................... 7

1.7. Các nghiên cứu liên quan .............................................................................. 8

1.8. Ý nghĩa của nghiên cứu ............................................................................... 11

CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU ........................ 12

2.1. Đối tượng nghiên cứu .................................................................................. 12

2.2. Tiến trình nghiệm pháp................................................................................ 12

2.3. Phương pháp nghiên cứu ............................................................................. 16

2.4. Các phần mềm sử dụng trong nghiên cứu ................................................... 19

CHƯƠNG 3: KẾT QUẢ ........................................................................................... 20

3.1. Thuộc tính dao động áp lực trung tâm: var_COP ........................................ 20

3.2. T - test phân tích sự khác biệt về thuộc tính var_COP giữa các nhóm đối tượng …………………………………………………………………………….21

3.2.1. Phân biệt CO và PD .............................................................................. 21

3.2.2. Phân biệt các giai đoạn của bệnh .......................................................... 21

3.3. Đánh giá khả năng chẩn đoán bệnh lý Parkinson dựa vào var_COP .......... 21

3.3.1. Chẩn đoán CO và PD ............................................................................ 21

3.3.2. Chẩn đoán CO và PD (HY=2) .............................................................. 22

3.3.3. Tham số của mô hình Logistic .............................................................. 22

CHƯƠNG 4: BÀN LUẬN ........................................................................................ 24

4.1. Về đối tượng nghiên cứu ............................................................................. 24

4.2. Thuộc tính var_COP .................................................................................... 24

4.3. Đánh giá khả năng chẩn đoán bệnh lý Parkinson dựa vào var_COP .......... 24

4.4. So sánh với các nghiên cứu liên quan ......................................................... 25

KẾT LUẬN ............................................................................................................... 27

1. Thuộc tính var_COP ....................................................................................... 27

2. Đánh giá khả năng chẩn đoán PD dựa vào thuộc tính var_COP .................... 27

3. Đề xuất ............................................................................................................ 27

TÀI LIỆU THAM KHẢO

ĐẶT VẤN ĐỀ

Bệnh Parkinson (PD) là một trong những vấn đề sức khỏe đã và đang được

đặc biệt quan tâm. Bệnh Parkinson khá phổ biến và tạo ra gánh nặng lớn về kinh tế cho toàn xã hội. Theo báo cáo của WHO, tỷ lệ mắc PD trên thế giới dao động từ 4,5

đến 19 trên 100.000 dân mỗi năm. Bệnh là một rối loạn thoái hóa thần kinh phổ biến

thứ 2 sau Alzheimer, với tỷ lệ mắc ở các nước phát triển vào khoảng 0,3% dân số. Tỷ

lệ này tăng dần theo độ tuổi, từ 1% ở những người trên 60 tuổi lên 4% ở những người

trên 80 tuổi. Tại Việt Nam, tỷ lệ mắc bệnh Parkinson so với các bệnh thần kinh khác

là khoảng 1,6%. Khi dân số thế giới đang già đi, tỷ lệ người bệnh PD được dự kiến

là sẽ tăng lên đáng kể, có thể gấp đôi trong hai thập kỷ tới. Chi phí xã hội cho bệnh

Parkinson rất cao, ở Vương Quốc Anh là khoảng 3,3 tỉ bảng Anh, tại Hoa Kỳ chi phí cho mỗi bệnh nhân PD vào khoảng 100.000 đô la, với tổng gánh nặng kinh tế khoảng

23 tỉ đô la. Ngoài ra, hiện nay chúng ta chưa thể chữa được bệnh Parkinson mà chỉ

điều trị triệu chứng và làm chậm lại quá trình thoái hóa. Và do vậy, việc làm thế nào

để có thể chẩn đoán sớm bệnh là một nhiệm vụ quan trọng cho quá trình điều trị từ

đó kéo dài cuộc sống bình thường của bệnh nhân.

Yêu cầu để giảm thiểu hệ quả do bệnh Parkinson là điều trị dự phòng bằng

cách dự đoán được khả năng mắc bệnh, đặc biệt là ở giai đoạn sớm để hạn chế các tai

biến liên quan đến chấn thương. Tuy nhiên, việc chẩn đoán sớm Parkinson trên lâm sàng gặp nhiều thách thức do ở giai đoạn này các triệu chứng lâm sàng còn mờ nhạt.

Thông thường khi bệnh nhân đến bệnh viện thì Hoehn-Yahr (HY) đã ở từ giai đoạn

2. Bên cạnh đó, quy trình khám để chẩn đoán xác định Parkinson trên lâm sàng cần

nhiều thời gian (khoảng 2 giờ/1 ca) và tuân thủ các hệ thống thang điểm đánh giá

phức tạp như: Hệ thống Hoehn-Yahr (thang đo chủ quan phổ biến nhất được sử dụng

trên toàn thế giới), thang điểm thống nhất đánh giá bệnh Parkinson UDPRS, khảo sát

sức khỏe SF-12, thang đo hiệu quả ngắn hạn quốc tế Short FES-I, thang đo tương tự

hình ảnh VAS về mức độ đau. Tại Việt Nam, việc chẩn đoán PD dựa vào các tiêu chuẩn chẩn đoán lâm sàng bệnh Parkinson của Movement Disorder Society Clinical Diagnostic Criteria for PD (MDS). Mặc dù đã thiết lập các mốc cơ bản của PD trong các đánh giá lâm sàng, nhưng hầu hết các thang đánh giá đang được sử dụng đánh giá mức độ nghiêm trọng của bệnh vẫn chưa được xác nhận đầy đủ. Các triệu chứng

không vận động có ở nhiều bệnh nhân trước khi khởi phát PD, nhưng việc đánh giá PD dựa vào các triệu chứng không vận động thiếu tính đặc hiệu, phức tạp và/hoặc có thể dẫn đến chẩn đoán nhầm lẫn với các bệnh khác. Chính vì vậy, tìm ra các phương

pháp chẩn đoán sớm PD với tỷ lệ chính xác cao là một vấn đề cấp thiết. Việc sử dụng

khoa học dữ liệu phục vụ chẩn đoán Parkinson được xem là giải pháp cho vấn đề này,

trên cơ sở kết hợp khả năng phân tích nhanh chóng từ máy tính, kiến thức y học và

tư duy con người để phát triển một mô hình dự đoán PD chính xác và nhanh chóng dựa vào những dữ liệu thu thập được.

Gần đây, cùng với các tiến bộ vượt bậc của con người trong khoa học – công

nghệ, việc áp dụng khoa học dữ liệu trong y học đang ngày càng được chú ý và đẩy mạnh nhờ vào tính hiệu quả của lĩnh vực này. Việc ứng dụng khoa học dữ liệu vào

chẩn đoán bệnh Parkinson có thể giúp chúng ta chẩn đoán nhanh và chính xác, góp

phần hỗ trợ nhân viên y tế trong việc đưa ra quyết định điều trị và chăm sóc sức khỏe

cho bệnh nhân, đồng thời hạn chế các sai sót. Khi ứng dụng khoa học dữ liệu việc hoàn thiện phương pháp, cải thiện tính chính xác của các chẩn đoán diễn ra một cách

nhanh chóng và dễ dàng hơn.

Nhờ những ưu điểm trên, ứng dụng khoa học dữ liệu trong chẩn đoán bệnh

Parkinson là một hướng tiếp cận rất có tiềm năng. Trong thời gian gần đây, nhiều

nghiên cứu đã được xây dựng để đưa ra chẩn đoán sớm Parkinson đặc biệt là các

nghiên cứu chẩn đoán dựa vào những dữ liệu chuyển động vật lý đơn giản. Tuy nhiên,

việc áp dụng khoa học dữ liệu đối với chẩn đoán sớm Parkinson đòi hỏi cần tìm ra

các dấu hiệu về lý sinh học đặc hiệu để đảm bảo tính chính xác của chẩn đoán. Vì

vậy, chúng tôi thực hiện nghiên cứu “Chẩn đoán bệnh lý Parkinson dựa vào phân

tích chuyển động thông qua dữ liệu cảm biến lực gắn ở bàn chân” với 2 mục tiêu

 Mục tiêu 1: Bước đầu phân tích dữ liệu từ cảm biến gắn ở bàn chân và tìm ra

các dấu hiệu về lý sinh học giúp nhận biết sớm bệnh lý Parkinson.

 Mục tiêu 2: Đánh giá khả năng chẩn đoán bệnh lý Parkinson dựa vào thuộc

tính được trích xuất.

CHƯƠNG 1: TỔNG QUAN

1.1. Bệnh Parkinson

Bệnh Parkinson là một bệnh thoái hóa thần kinh phức tạp, tiến triển, đặc trưng

bởi rối loạn vận động não, run, cứng và mất ổn định tư thế [11, 12]. Bệnh được James Parkinson mô tả lần đầu tiên trong bài báo “Essay on the Shaking Palsy” của ông vào

năm 1817. Kể từ đó đến nay đã có nhiều tác giả nghiên cứu về Parkinson. Năm 1912,

Lewy đã mô tả các thể vùi trong bào tương của tế bào thần kinh ở bệnh nhân Parkinson. Đến mãi những năm 1960 người ta đã chú ý đến Dopamin và vai trò dẫn

truyền thần kinh ở chất này, từ đó cơ chế bệnh sinh của PD dần được sáng tỏ.

1.2. Phân biệt bệnh Parkinson và hội chứng Parkinson

Hội chứng parkinson gây ra các triệu chứng giống như bệnh Parkinson (ví dụ, run tĩnh trạng, cứng, giảm vận động, tư thế không ổn định). Để phân biệt được rõ ràng

giữa bệnh Parkinson và hội chứng Parkinson là một điều rất khó khăn, và việc chẩn

đoán đúng bệnh thường chỉ được thực hiện cho đến khi các triệu chứng đã ở giai đoạn

tiến triển nặng. Tuy nhiên, các bác sỹ vẫn có thể đánh giá mức độ và tình trạng bệnh

dựa vào việc khai thác tiền sử của bệnh nhân cùng các kết quả lâm sàng sau khi tiến

hành một số xét nghiệm chẩn đoán.

Khai thác tiền sử: Bệnh nhân cần khai báo một cách trung thực, tỉ mỉ, chính

xác những triệu chứng mà họ đã và đang gặp phải, cũng như loại thuốc hiện đang còn

sử dụng hay tiền sử gia đình có ai bị bệnh tương tự hay không.

Kiểm tra vận động của cơ thể: bằng cách yêu cầu bệnh nhân ngồi xuống, đứng

lên, đi lại, giơ tay chân ra phía trước hoặc lên cao, xuống thấp. Người bệnh bị nghi

ngờ bệnh Parkinson khi có ít nhất hai trong số các triệu chứng được miêu tả trước đó

là run tay chân khi thả lỏng nghỉ ngơi, khó khăn trong vận động, cứng đờ và bất

thường trong dáng đi.

Quét não MRI: được xem là có hiệu quả trong việc xác định điểm khác biệt nổi bật giữa từng thể bệnh bởi nó cho thấy sự phân bố bất thường của nồng độ Dopamin trong não. McFarland nhận định: “Trong bệnh Parkinson chúng ta sẽ biết được chính xác vị trí não bị thoái hóa, còn đối với hội chứng Parkinson thì não bộ thường bị tổn thương trên diện rộng”. Ông cũng cho biết thêm, việc xác định mô hình

chung của sự rối loạn chức năng tương ứng với vùng não bị tổn thương giữa bệnh Parkinson và hội chứng Parkinson cũng có thể giúp phát hiện ra bệnh ngay từ giai

đoạn sớm.

Chẩn đoán phân biệt chính xác bệnh Parkinson bằng cách thử thuốc: Levodopa

- tiền thân của Dopamine sẽ được cân nhắc sử dụng, sau đó theo dõi quá trình đáp

ứng của người bệnh với thuốc trong một thời gian quy định. Nếu bệnh nhân bị

Parkinson, chắc chắn trong giai đoạn đầu họ sẽ đáp ứng rất tốt với thuốc điều trị trong khi hội chứng Parkinson thì ngược lại, biện pháp dùng thuốc gần như không giúp cải

thiện được tình trạng bệnh.

1.3. Triệu chứng

Bệnh Parkinson gây ra cả các triệu chứng vận động và không vận động. Các

triệu chứng vận động có thể là: run, co cứng cơ, chậm, mất cân bằng khi di chuyển,

cử động. Các triệu chứng không vận động ảnh hướng đến nhiều hệ cơ quan, chẳng

hạn như hệ tiêu hóa và hệ sinh dục, và không đồng nhất [3].

Những người được chẩn đoán mắc bệnh Parkinson thường có sự khởi phát của

các triệu chứng không vận động trong nhiều năm trước khi các triệu chứng vận động

bắt đầu xuất hiện, nhưng thường họ sẽ không đề cập đến những triệu chứng này trừ

khi được hỏi cụ thể. Những triệu chứng không vận động cơ bản này bao gồm rối loạn

hành vi chuyển động mắt nhanh khi ngủ, mất khứu giác, táo bón, rối loạn chức năng

tiết niệu, hạ huyết áp thế đứng, buồn ngủ quá mức vào ban ngày và trầm cảm. Các

triệu chứng này khi đặt riêng biệt không thể đưa ra chẩn đoán ngay được bệnh

Parkinson tuy nhiên khi những chúng đồng thời xảy ra, nguy cơ bệnh nhân mắc

Parkinson sẽ lớn hơn.

Sau sự khởi phát của các triệu chứng không vận động, các triệu chứng vận

động dần xuất hiện trong PD. Các triệu chứng vận động được biết đến: run, co cứng

cơ, chậm, mất cân bằng khi di chuyển, cử động. Các nhà khoa học đã ước tính rằng

có tới 80% tế bào dopaminergic trong hệ thống thể vân nigro bị mất trước khi các

triệu chứng vận động cơ bản của PD bắt đầu xuất hiện [10]. Sự chậm chạp khi bắt đầu các chuyển động tự nguyện với sự giảm dần tốc độ và biên độ của các hành động lặp đi lặp lại (bradykinesia) kèm theo một triệu chứng bổ sung là cứng cơ, run khi nghỉ hoặc mất ổn định tư thế [21]. Trong hầu hết các trường hợp, các triệu chứng bắt đầu ở một bên của cơ thể, sau đó vài năm các triệu chứng bắt đầu xuất hiện ở hai bên. Tư thế cơ thể trở nên khom lưng, có hiện tượng cứng trục và chân tay, có xu hướng dáng đi loạng choạng và không vung tay khi đi bộ. Sự rối loạn vận động có thể dẫn

đến khuôn mặt đơ cứng (hypomimia) và biên độ viết tay trở nên nhỏ hơn (micrographia). Khoảng 80% bị run tay chân, phổ biến nhất là run tay khi nghỉ ngơi.

Một phần tư đến 60% bệnh nhân thường bị đóng băng các cử động sau vài

năm kể từ khi khởi phát [28]. Sự mất ổn định tư thế có thể xẩy ra sớm hoặc muộn

trong quá trình bệnh và điều này sẽ dẫn đến té ngã và chấn thương. Rối loạn vận động

miệng rất phổ biến.

Rối loạn giọng nói như nói rất vội vã xảy ra ở hơn một nửa số bệnh nhân [23],

các vấn đề về nuốt đã được báo cáo ở 40–80% và một phần tư số bệnh nhân báo cáo

chảy nước bọt [22].

Một triệu chứng vận động khác trong PD là rối loạn trương lực cơ. Các rối

loạn dự báo chẩn đoán điển hình bao gồm tư thế bàn chân ngang một bên, cánh tay

trên - cẳng tay hoặc cẳng tay - bàn tay, chuột rút, loạn trương lực cơ hàm dưới, vẹo

cổ hoặc sự kết hợp khác nhau của các triệu chứng này [27]. Trong phần lớn các trường hợp, các triệu chứng PD xuất hiện trong vòng 10 năm kể từ khi bắt đầu loạn trương

lực cơ. Trong điều trị PD, loạn trương lực cơ, cùng với rối loạn vận động, tạo thành một trong những biến chứng vận động chính liên quan đến điều trị mãn tính, thường

xảy ra như một hiện tượng ngoài chu kỳ, nhưng có thể biểu hiện dưới dạng loạn

trương lực hai pha [27]. Dị dạng tư thế cũng là một trong biến chứng thường xuyên

của bệnh Parkinson. Những dị tật này bao gồm tư thế cơ thể bị uốn cong bất thường

với sự uốn cong bắt nguồn từ cột sống ngực hoặc thắt lưng (camptocormia), uốn cong

về phía trước của đầu và cổ (antecollis) và cong vẹo cột sống, tức là, một đường cong

bên của cột sống thường kết hợp với xoay đốt sống [13]. Sinh lý bệnh của những dị

tật này có thể đa yếu tố và có thể bao gồm cứng khớp, loạn trương lực cơ, bệnh cơ và

suy giảm chức năng trung ương.

Hình 1.1. Triệu chứng vận động trong Parkinson

(http://benhvien108.vn/y-hoc-thuong-thuc/mot-so-dieu-can-biet-ve-benh- parkinson.htm)

1.4. Phân loại bệnh Parkinson

Trong nghiên cứu này chúng tôi sử dụng thang điểm Hoehn và Yahr (HY) để

phân loại PD. HY là thang điểm đánh giá lâm sàng được sử dụng rộng rãi, nhằm phân

loại các chức năng vận động trong bệnh Parkinson. Một trong những ưu điểm của thang đo HY là đơn giản và dễ sử dụng. Nó ghi lại các mô hình suy giảm vận động

tiến triển điển hình có thể được áp dụng cho dù bệnh nhân có đang điều trị

dopaminergic hay không. Sự tiến triển trong các giai đoạn HY đã được phát hiện có tương quan với sự suy giảm vận động, suy giảm chất lượng cuộc sống và các nghiên

cứu hình ảnh thần kinh về mất dopaminergic. HY được chia thành 7 cấp độ [8].

 HY=1; HY=1,5: Bệnh một bên, thường khuyết tật chức năng nhẹ.

 HY=2: Bệnh ảnh hưởng đến hai bên nhưng không làm suy giảm sự cân bằng.

 HY=2,5: Bệnh mức độ nhẹ hai bên, có hồi phục khi kiểm tra kéo.

 HY=3: Tàn tật nhẹ đến trung bình, suy giảm phản xạ.

 HY=4: Tàn phế nặng, vẫn có thể đi bộ hoặc đứng mà không cần trợ giúp.

 HY=5: Bệnh nhân không thể tự di chuyển và hoạt động thể chất bình thường.

1.5. Nguyên nhân của Parkinson

Trong một thế kỷ qua, sự hiểu biết của chúng ta về nguyên nhân của bệnh PD

đã phát triển rất nhiều. Vào năm 1919, người ta lần đầu tiên công nhận việc kiểm tra não sau khi bệnh nhân PD chết cho thấy các sắc tố ở vùng nền của não giữa bị mất.

Vào những năm 1950, người ta đã hiểu thêm rằng các tế bào thần kinh sắc tố bị mất

trong lớp đệm chất béo là dopaminergic, và sự mất dopamine trong mạch vận động

dưới vỏ có liên quan đến cơ chế rối loạn vận động trong PD [14]. PD là một rối loạn

của hạch nền, bao gồm nhiều nhân khác. Thể vân nhận đầu vào kích thích và ức chế

từ một số phần của vỏ não. Bệnh lý chính là mất tế bào thần kinh dopaminergic dẫn

đến các triệu chứng.

Các nghiên cứu trong một thời gian dài cho thấy việc tiếp xúc với các chất ô nhiễm thuốc trừ sâu và thuốc diệt cỏ có liên quan đến việc gia tăng PD [11, 26]. Chất MPTP (1-metyl-4-phenyl-1,2,3,6- tetrahydropyridine) được xác định là một trong những chất gây ra Parkinson. Các nghiên cứu trong phòng thí nghiệm cho thấy MPTP đi vào não qua chất vận chuyển acid amin trung tính lớn và được chuyển hóa thành một hợp chất phản ứng đặc biệt ngăn chặn phức hợp I của ty thể, gây ra bệnh

Parkinson [26]. Cũng có nghiên cứu cho rằng quá trình oxy hóa và tạo ra các gốc tự do có thể là nguyên nhân gây ra tổn thương cho các nhân đồi thị.

Parkinson có thể do đột biến gen, tuy nhiên các dạng di truyền này chiếm một

tỷ lệ nhỏ [7, 19]. Dạng di truyền phổ biến nhất của PD là PARK8, gây ra khoảng 2%

các trường hợp nhiễm PD tại Mỹ [26]. Các nghiên cứu chỉ ra rằng các đột biến ở gen

LRRK2, PARK7, PRKN cũng góp phần vào nguy cơ gây PD [7]. Một số gen như GBA [11] (glucocerebrosidase), UCHL1 (Ubiquitin C-Terminal Hydrolase L1) được cho

là có thể làm thay đổi nguy cơ tiến triển của PD. Người mang đột biến GBA có tăng

khoảng 4 lần nguy cơ mắc PD, mặc dù nguy cơ thay đổi với các đột biến GBA khác nhau. Một số nghiên cứu cho thấy sự gia tăng nguy cơ mất trí nhớ trong đột biến GBA

liên quan đến PD [11].

Mức độ bất thường của Alpha-synuclein tổng hợp là thành phần chính của thể

Lewy và được tìm thấy khi khám nghiệm tử thi. Người ta thấy rằng chức năng bị thay đổi của alpha-synuclein có thể đóng một vai trò trong căn nguyên của PD. Nghiên

cứu hiện tại đang tập trung vào việc ngăn chặn sự lan truyền và tập hợp của alpha- synuclein.

Một số yếu tố hành vi và lối sống liên quan đến việc giảm nguy cơ phát triển

PD. Việc sử dụng thuốc lá góp phần giảm nguy cơ mắc PD [25]. Một nghiên cứu chỉ

ra rằng thành phần trong thuốc lá (có thể là Nicotine) có thể chống lại sự phát triển

của Parkinson [24]. Viêc sử dụng coffee và trà có liên quan đến việc giảm nguy cơ

PD, đặc biệt ở nam giới [4]. Ngoài ra, việc tập thể dụng thường xuyên ở cường độ

cao góp phần làm giảm nguy cơ Parkinson [32]. Cùng với đó việc sử dụng sữa làm

tăng nguy cơ mắc PD, có thể là do độc tố có trong sữa [16].

1.6. Dấu ấn sinh học chẩn đoán Parkinson

Nguồn tiềm năng của dấu ấn sinh học PD rất lớn và ngày càng mở rộng. Một

số chất thải sinh học có tiềm năng đóng vai trò là nguồn cung cấp dấu ấn sinh học PD

ở dịch não tủy (CSF), máu (bao gồm máu toàn phần và tất cả các ngăn máu), nước bọt và nước tiểu. Việc xác định các dấu ấn sinh học trong nước thải sinh học có thể dễ dàng tiếp cận và với các quy trình có rủi ro thấp (chẳng hạn như nước bọt, máu hoặc nước tiểu). Nhưng CSF được xem như một nguồn chính của các dấu ấn sinh học PD, nói một cách đơn giản, nó được cho là phản ánh tốt nhất những gì đang diễn ra trong hệ thần kinh trung ương.

Một ví dụ về một dấu ấn sinh học nhận được sự chú ý lớn trong PD là Alpha -

synuclein. Điều này bắt nguồn từ vai trò quan trọng của nó trong sinh lý bệnh PD.

Nhiều xét nghiệm dựa trên kháng thể khác nhau để đo các loại Alpha - synuclein khác

nhau (chẳng hạn như Alpha - synuclein toàn phần, phosphoryl hóa, oligomeric và

fibrillar) đã được phát triển và áp dụng cho dịch não tủy và huyết tương.

Có một vài dấu ấn sinh học PD khác đang được nghiên cứu trong nước thải

sinh học. Acid uric là một dấu ấn sinh học ứng cử viên dựa trên các đặc tính chống oxy hóa của nó kết hợp với mức acid uric thấp được tìm thấy trong cơ thể của bệnh

nhân PD [30]. Một phân tích tổng hợp đã chứng minh rằng tỷ lệ bị PD của bệnh nhân

liên quan đến 1 độ lệch chuẩn tăng urate (1,32 mg / dL) là 0,80 [31]. Với mức độ acid uric không cụ thể, nó không có khả năng đóng vai trò như một dấu ấn sinh học riêng

lẻ mà có thể được kết hợp trong các mô hình đa phương thức.

Một số dấu ấn sinh học trên máu đáng chú ý có triển vọng trong PD đã được

xác định thông qua phân tích protein. Yếu tố tăng trưởng biểu bì lần đầu tiên được xác định là một dấu ấn sinh học trên máu có thể có của suy giảm nhận thức trong PD,

sử dụng nền tảng xét nghiệm miễn dịch đa hợp quy mô lớn [9].

1.7. Các nghiên cứu liên quan

Có nhiều nghiên cứu về dấu ấn sinh học trong PD tuy nhiên các nghiên cứu đó

vẫn chưa đem lại hiêu quả trong chẩn đoán. Việc nghiên cứu chẩn đoán PD dựa vào

phân tích chuyển động mang đến những tín hiệu rất khả quan. Dưới đây tôi xin đưa

ra một số nghiên cứu nổi bật về chẩn đoán bệnh Parkinson.

Năm 2015 Wahid và cộng sự đã xây dựng một mô hình nhằm chẩn đoán sớm

Parkinson dựa trên dữ liệu về dáng đi. Dữ liệu về dáng đi của 23 bệnh nhân PD, tuổi:

68,5 ± 6,1 tuổi (60-80 tuổi), chiều cao: 1,8 ± 0,1 m (1,6-1,9 m), khối lượng cơ thể:

80,1 ± 15,5 kg (52,3-120,2 kg), nam / nữ: 20/3. Dữ liệu về dáng đi cho 26 đối chứng

khỏe mạnh phù hợp với độ tuổi: 69,5 ± 5,0 tuổi (60-79 tuổi), chiều cao: 1,7 ± 0,1 m

(1,6-1,8 m), khối lượng cơ thể: 76,7 ± 14,7 kg (55,0-106,4 kg), nam / nữ: 13/13, được

lấy từ cùng cơ sở dữ liệu phòng thí nghiệm. Các bệnh nhân PD bị ảnh hưởng nhẹ bởi căn bệnh này (HY = 2) và đang ở trạng thái điều trị tối ưu. Các đối tượng đã đi bộ với tốc độ đi bộ bình thường của họ mười lần trên một lối đi dài 8m. Tốc độ đi bộ trung bình của bệnh nhân PD và nhóm chứng lần lượt là 1,1 ± 0,2 m / s (0,8-1,6 m / s) và 1,2 ± 0,2 m / s (0,7-1,8 m / s). Vị trí điểm đánh dấu được đo bằng hệ thống phân tích chuyển động video 8 camera (Vicon, Oxford Metrics Ltd., Oxford), trong khi lực phản lực mặt đất (GRF) được ghi lại đồng thời bằng cách sử dụng hai nền tảng thiết

bị lực (Kistler, Thụy Sĩ và Advanced Mechanical Technology Inc., Watertown, MA).

Các chiến lược Machine Learning sau đó được sử dụng để phân loại dáng đi PD bằng

cách sử dụng dữ liệu dáng đi thô, dữ liệu được chuẩn hóa bằng phương trình không

thứ nguyên và dữ liệu chuẩn hóa bằng cách sử dụng phương pháp hồi quy bội (MR).

Sau khi chuẩn hóa dữ liệu bằng các phương trình không thứ nguyên, chỉ có độ dài sải

chân, độ dài bước là khác biệt có ý nghĩa giữa bệnh nhân PD và nhóm chứng (p<0,05); tuy nhiên, chuẩn hóa dữ liệu bằng phương pháp hồi quy bội cho thấy sự khác biệt

đáng kể về độ dài sải chân, nhịp, thời gian đứng. Random Forest dẫn đến độ chính

xác phân loại PD là 92,6% sau khi chuẩn hóa dữ liệu dáng đi bằng cách sử dụng phương pháp hồi quy bội, so với 80,4% (Support vector machine) và 86,2% (Kernel

Fisher Discriminant) sử dụng dữ liệu thô và dữ liệu chuẩn hóa bằng cách sử dụng

phương trình không thứ nguyên tương ứng [29]. Trong nghiên cứu này có một số hạn

chế cần xem xét. Đầu tiên, các mô hình MR được phát triển dựa trên một tập dữ liệu tương đối nhỏ về các đối tượng PD (n = 26), và một số mối tương quan yếu giữa các

đặc điểm dáng đi và các đặc tính vật lý vẫn còn tồn tại sau khi chuẩn hóa bằng cách

sử dụng phương pháp MR. Số lượng lớn hơn các đối tượng kiểm soát có thể đã cải

thiện độ tin cậy của ước tính hệ số của mô hình và giảm các mối tương quan hơn nữa.

Thứ hai, kết quả được trình bày đại diện cho một nhóm tuổi cụ thể (đối tượng cao

tuổi, độ tuổi từ 60-80 tuổi) và mức độ nghiêm trọng của PD (điểm Hoehn & Yahr là

2). Để xác định các đặc điểm dáng đi bệnh lý ở các đối tượng PD thuộc một nhóm

tuổi khác, các mô hình hồi quy mới sẽ cần được phát triển dựa trên các đối chứng phù

hợp với độ tuổi. Cuối cùng, mười tám trong số 26 đối tượng kiểm soát được tuyển

dụng có chỉ số khối cơ thể (BMI) từ 25 trở lên. Các tác giả đã quan sát thấy rằng độ

rộng bước ở đối tượng kiểm soát bị ảnh hưởng bởi khối lượng cơ thể khi BMI của

đối tượng trên 25 (𝜌 = 0,65), trong khi độ rộng bước chỉ bị ảnh hưởng yếu bởi khối

lượng cơ thể khi BMI dưới 25 (𝜌 = 0,27).

Năm 2017 Vered Aharonson và cộng sự [2] cũng đưa ra nghiên cứu về việc

phân tích dữ liệu từ cảm biến vận động của bệnh nhân từ đó đánh giá các giai đoạn

của bệnh Parkinson. Nghiên cứu được tiến hành trên 42 người trong đó có 22 người

bệnh PD, tổng cộng có 14 bệnh nhân PD là nam, và 8 bệnh nhân còn lại là nữ. Độ tuổi của bệnh nhân dao động từ 44 đến 79 tuổi và tất cả đều mắc bệnh Parkinson với điểm HY từ 2 đến 3; Nhóm chứng chia thành 2 nhóm tuổi, đó là nhóm đối tượng trẻ gồm 10 đối tượng tuổi từ 23 đến 38 (6 nam và 4 nữ), và nhóm lớn tuổi gồm 10 đối tượng có độ tuổi từ 46 đến 78 tuổi (6 nam và 4 nữ). Tất cả các đối tượng đi hai con

đường quy định trong khi đẩy xe tập đi. Con đường đi bộ đầu tiên có 2 giao thức là đứng lên và đi; giao thức thứ 2 là đứng lên đi 3m rồi quay đầu lại điểm xuất phát. Con đường thứ hai bao gồm 10 mét đi bộ trong hành lang của bệnh viện, tương tự như

vậy, đối tượng quay lại và đi bộ trở lại điểm xuất phát. Một nửa số đối tượng chứng

(năm đối tượng từ mỗi nhóm tuổi) được chọn để lặp lại thí nghiệm này ba lần - hai

lần trong phiên đầu tiên, với 10 phút giữa hai đường và một thử nghiệm khác từ 3 đến

6 ngày sau phiên đầu tiên và tín hiệu chuyển động động học của họ được xe tập đi tự động thu thập. Tín hiệu thu thập được xử lý bởi sự kết hợp của hai phương pháp lựa

chọn tính năng cổ điển và hai learning algorithms, với mục tiêu phân biệt bệnh nhân

PD với các đối tượng kiểm soát. Điểm độ nhạy và độ đặc hiệu là 91% và 95% đạt được đối với phương pháp đi bộ đầu tiên, trong khi sự phân biệt đối với phương thức

đi bộ thứ hai tạo ra điểm độ nhạy và độ đặc hiệu là 96% và 100%.

Năm 2018, Ozgur Afsar và các cộng sự [1] đã đưa ra nghiên cứu sử dụng cấu

hình lực dáng đi thực tế của các nhóm khỏe mạnh và bệnh nhân mắc chứng PD có mức độ nghiêm trọng của bệnh khác nhau về giai đoạn Hoehn-Yahr để tính toán các

phép đo phức tạp về kinh nghiệm khác nhau đến từ các phép đo tổng thể khác nhau của phân tích định lượng tái phát (RQA). Cơ sở dữ liệu bao gồm các phép đo về dáng

đi của 93 bệnh nhân mắc chứng PD vô căn (mức độ nghiêm trọng của bệnh: 2; 2,5 và

3, tuổi trung bình: 66,3 tuổi; 63% nam giới) và 73 nhóm chứng khỏe mạnh (mức độ

bệnh: 0, tuổi trung bình: 66,3 tuổi; 55% nam giới) có sẵn trong “Cơ sở dữ liệu

PhysioBank”. Các thước đo RQA cung cấp những hiểu biết sâu sắc hơn về những

thay đổi tinh vi hơn của các động lực. Áp dụng phân tích phổ, tính toán phương sai

hoặc trung bình, sự khác biệt trong chuỗi thời gian xuất phát từ các mức độ nghiêm

trọng của bệnh khác nhau là không rõ ràng (phổ công suất và phương sai) hoặc thậm

chí không đáng kể sử dụng RQA xác định độ dài đường chéo trung bình (phân kỳ)

giảm (tăng) khi mức độ nghiêm trọng của bệnh ngày càng tăng. Các tác giả cũng giải

thích những khuynh hướng này từ dáng đi bình thường thông qua dáng đi bệnh lý

bằng một mô hình lý thuyết được gọi là bản đồ hình sin. Sử dụng hệ thống mô hình này, họ chỉ ra rõ ràng rằng những khuynh hướng này có thể được giải thích bằng cách

thay đổi mức độ bất hợp lý của hệ thống như một quá trình tự nhiên của dáng đi. Điều này cho phép các tác giả giải thích các động lực của dáng đi bình thường/bệnh lý. Các tác giả đã thu được độ chính xác chẩn đoán cao để phân biệt bệnh nhân mắc chứng PD đến từ các nhóm khác nhau. Đã có sự phân biệt với độ nhạy 100% và độ đặc hiệu 90% (độ chính xác = 95%) giữa các nhóm có HY = 2,5 và HY = 2,0, và độ nhạy 70% và độ đặc hiệu 80% (độ chính xác = 75 %) giữa các nhóm có HY = 3 và

HY = 2,5. Các phép đo cũng phân biệt bệnh nhân có HY = 3 và HY = 2,5 với nhóm người khỏe mạnh đạt được độ nhạy 100% và độ đặc hiệu 100% (độ chính xác = 100%). Các phép đo có thể phân biệt với độ nhạy 40% và độ đặc hiệu là 40% (độ

chính xác = 40%) giữa bệnh nhân có HY = 2 và nhóm người khỏe mạnh (vì giai đoạn

bệnh của nhóm này rất gần với nhóm khỏe mạnh). Phương pháp của Ozgur Afsar và

các cộng sự đạt được các kết quả khả quan tuy nhiên hạn chế của phương pháp này

là thuộc tính RQA mang ý nghĩa tín hiệu học khi so sánh 2 tín hiệu time series khó để diễn giải lâm sàng.

Vì vậy trong nghiên cứu này, chúng tôi sử dụng dữ liệu cảm biến lực gắn ở

bàn chân ghi lại quá trình đi bộ bình thường của người bệnh. Mục đích của nghiên cứu là tìm ra dấu ấn mang ý nghĩa lý-sinh học ẩn chứa trong dữ liệu có thể hỗ trợ

chẩn đoán sớm bệnh Parkinson.

1.8. Ý nghĩa của nghiên cứu

 Ý nghĩa khoa học: - Nghiên cứu ban đầu xây dựng mô hình chẩn đoán bệnh Parkinson. - Nghiên cứu mức độ chính xác của chẩn đoán đưa ra. - Đánh giá kết quả được đưa ra.

 Ý nghĩa thực tiễn: - Phục vụ cho nhân viên y tế trong chẩn đoán và đưa ra quyết định điều trị cho bệnh nhân, từ đó giúp bệnh nhân Parkinson kéo dài được cuộc sống bình

thường.

- Cung cấp công cụ hữu ích phục vụ trong y tế.

 Ý nghĩa giáo dục: - Trang bị cho bản thân kiến thức về khoa học dữ liệu và các ứng dụng trong y

học, cụ thể là ứng dụng trong chẩn đoán Parkinson.

- Nghiên cứu giúp hiểu rõ hơn về bệnh Parkinson cũng như khoa học dữ liệu. - Nghiên cứu có thể dùng làm tài liệu tham khảo cho các nghiên cứu cùng đề tài

sau.

CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU

2.1. Đối tượng nghiên cứu

Trong bài nghiên cứu này, dữ liệu được thu thập từ 3 nguồn tại Phòng thí nghiệm về dáng đi và động lực học thần kinh, Đơn vị rối loạn vận động của Trung tâm Y tế Tel - Aviv Sourasky và được công bố trên Physionet [18]. Tập dữ liệu thứ nhất được cung cấp bởi Galit Yogev, chứa dữ liệu dáng đi của 29 người bị PD và 18 người khỏe mạnh [33]. Jeffrey M. Hausdorff cung cấp tập dữ liệu thứ hai với dữ liệu của 29 người bị PD và 25 người khỏe mạnh [20]. Cuối cùng, tập dữ liệu thứ ba được cung cấp bởi Silvi Frenkel-Toledo, chứa dữ liệu dáng đi của 35 người bị PD và 29 người khỏe mạnh [15]. Dữ liệu tổng hợp gồm 165 mẫu: 93 bệnh nhân mắc bệnh Parkinson cùng với 72 người khỏe mạnh. Những người tham gia được chia thành 4 nhóm: nhóm đối chứng (HY=0); bệnh giai đoạn đầu (HY=2,0); bệnh giai đoạn muộn (HY=2,5 và 3,0) và bệnh Parkinson (HY=2,0, 2,5 và 3,0). Kết quả cho thấy phân bố tuổi (p_value =0,07) và giới tính (p_value =0,44) ở 2 nhóm không có sự khác biệt trên ý nghĩa thống kê.

Bảng 2.1. Tổng quan dữ liệu các đối tượng tham gia nghiên cứu

Thuộc tính p_value Nhóm khỏe mạnh bình thường (n=72) Nhóm bệnh nhân Parkinson (n=93)

0,07 63,68 ± 8,64 66,30 ± 9,45 Tuổi

0,44 56% 44% 62% 38% Nam Nữ

p < 0,001 2,26 ± 0,34 Hoehn - Yahr

0,0 ± 0,0 (Sử dụng t – test kiểm định)

2.2. Tiến trình nghiệm pháp

Nghiệm pháp được tiến hành rất đơn giản. Người tham gia sẽ sử dụng đôi giày đã được gắn 8 cảm biến lực ở mỗi chiếc (Hình 2.1) và thực hiện quá trình đi bộ với vận tốc thông thường trong 120 giây. Tọa độ gắn 8 cảm biến ở mỗi chân được chỉ ra như bảng 2.2. Cảm biến sẽ ghi nhận áp lực đè lên nó mỗi 0,01 giây. Thời gian bắt đầu tính sau khi người tham gia đã đi được 4 - 5 bước để loại bỏ đi quãng khởi đầu chuyển động. Các tác giả Galit Yogev, Jeffrey M. Hausdorff, Silvi Frenkel-Toledo đã tiến hành thu thập và lưu trữ dữ liệu.

Bảng 2.2. Tọa độ của các cảm biến dưới đế giày

X Y

X Y L6 -700 400 R6 700 400 L2 -700 -400 R2 700 -400 L3 -300 -400 R3 300 -400 L5 -300 0 R5 300 0 L8 -500 800 R8 500 800 L1 L4 L7 -500 -700 -300 -800 0 400 R1 R4 R7 500 700 300 400 0 -800 (L1-L8: Vị trí các cảm biến chân trái, R1-R8: Vị trí các cảm biến chân phải)

L1 R1

L2 L3 R2 R3

L4 L5 R5 R4

L7 L6 R7 R6

L8 R8

Hình 2.1. Vị trí gắn các cảm biến lực [5]

Các kết quả của thu được từ các cảm biến lực được ghi lại dưới dạng số hóa với 19 cột (Bảng 2.3). Trong đó, cột đầu tiên là thời gian (tính bằng giây). 8 cột tiếp theo tương ứng với các giá trị lực (tính bằng Newton) của 8 cảm biến gắn ở chân trái (từ L1 – L8) theo thứ tự như trong Bảng 2.2. Tương tự 8 cột tiếp theo là dữ liệu của chân phải (từ R1 – R9). Cột thứ 18 ghi tổng lực của các cảm biến chân trái (TL), cột cuối cùng ghi tổng lực của các cảm biến chân phải (TR).

Bảng 2.3. Bảng mô tả dữ liệu thu thập được từ cảm biến lực gắn ở bàn chân của một bệnh nhân (Đơn vị: N)

(L1-L8: Dữ liệu lực chân trái, R1-R8: Dữ liệu lực chân phải chân phải, TL: Tổng lực chân trái, TR: Tổng lực chân phải)

Sau khi có được dữ liệu, mỗi người tham gia được đặc trưng bởi một mã và chúng tôi xử lý để lập sơ đồ dữ liệu. Chúng tôi sử dụng bộ dữ liệu vẽ Hình 2.2, Hình 2.3, Hình 2.4, Hình 2.5 để sơ đồ hóa dữ liệu lực của một người với mã GaCO_01. Hình 2.2 và hình 2.3 đại diện cho dữ liệu lực ở chân trái và chân phải của anh ta. Các biểu đồ dữ liệu lực ở hai chân không có nhiều sự khác biệt. Thời gian của chu kỳ tương đương nhau và tách biệt rõ ràng với nhau. Trong mỗi chu kỳ, lực ở gót chân tăng dần đến mức tối đa rồi giảm xuống bằng 0 khi gót chân nhấc hẳn lên khỏi mặt đất thì lực ở mũi chân cũng tương tự như vậy. Trong mỗi chu kỳ, lực ở gót chân và mũi chân bằng nhau một lần khi trục của bàn chân tiếp tuyến với mặt đất.

Hình 2.2. Lực chân trái

Hình 2.3. Lực chân phải

Hình 2.4 cũng mô tả tổng lực ở mỗi chân một cách riêng biệt. Trong đó, đường đứt nét màu xanh là tổng lực ở chân trái, đường đứt nét màu cam là tổng lực ở chân phải. Chu kỳ của mỗi chân sẽ bắt đầu khi tổng lực ở chân đó bằng 0 và kết thúc khi lực đó về không ở lần tiếp theo. Các chu kỳ của chân phải và chân trái sẽ diễn ra luân phiên. Bản vẽ này không cho phép nhìn riêng biệt các thành phần lực của gót chân và ngón chân, nhưng sẽ cho phép nhìn tổng quan về lực ở mỗi bàn chân.

Hình 2.4. Tổng lực mỗi chân

Để đánh giá lực một cách tổng quát hơn, Hình 2.5 mô tả tổng của tất cả các thành phần lực ở cả hai chân. Hình chỉ có một đường đứt nét màu xanh thể hiện tổng lực. Dễ dàng nhận thấy tổng lực này luôn lớn hơn 0 vì tại thời điểm đó sẽ luôn có chân trên mặt đất và có phản lực tác dụng lên chân. Tổng lực này đạt giá trị cực đại khi tổng lực ở mỗi chân bằng nhau. Tổng lực đạt giá trị nhỏ nhất khi tổng lực tác dụng lên bàn chân trái hoặc chân phải bằng 0, tức là khi nhấc chân hoàn toàn khỏi mặt đất. Hình 2.5 này cho phép chúng ta đánh giá chung nhất về tập dữ liệu lực này.

Hình 2.5. Tổng lực hai chân

2.3. Phương pháp nghiên cứu 2.3.1. Thuộc tính dao động áp lực trung tâm: var_COP

Khi xử lý dữ liệu được cung cấp bởi Galit Yogev, M. Hausdorff, Silvi Frenkel Toledo (các dữ liệu được cảm biến ghi lại khi những người tham gia thử nghiệm di chuyển với tốc độ bình thường trong thời gian 120s) chúng tôi đưa ra một thuộc tính mới: Trung tâm áp lực (Center of Pressure – COP) được xét riêng cho mỗi chân. Với mỗi bên, toạ độ COP được xác định theo nguyên lý của biểu diễn toán:

𝑥𝐶𝑂𝑃 =

𝑦𝐶𝑂𝑃 =

∑ 𝐹𝑖𝑥𝑖 ∑ 𝐹𝑖 ∑ 𝐹𝑖𝑦𝑖 ∑ 𝐹𝑖 Trong quá trình di chuyển ∑ 𝐹𝑖 không được bảo toàn. Do đó, chúng tôi sử dụng

phương pháp chuẩn hóa để xác định lại tọa độ COP với biểu diễn toán như sau:

𝑥𝐶𝑂𝑃𝑛𝑜𝑟𝑚 = 𝑥𝑖̅ +

𝑦𝐶𝑂𝑃𝑛𝑜𝑟𝑚 = 𝑦𝑖̅ + (𝑥𝐶𝑂𝑃 − 𝑥𝑖̅ ) ∑ 𝐹𝑖 𝐹̅ (𝑦𝐶𝑂𝑃 − 𝑦𝑖̅) ∑ 𝐹𝑖 𝐹̅

Khi di chuyển, vị trí của COP sẽ thay đổi theo thời gian hình thành nên khoảng dao động theo cả phương dọc theo chiều di chuyển (phương Y) và phương ngang (phương X). Thuộc tính chúng tôi sử dụng chính là khoảng dao động của COP dọc theo phương Y. Trên biểu diễn toán, nó được đo bằng phương sai của COP theo

phương Y, do đó chúng tôi ký hiệu tên viết tắt của thuộc tính là var_COP. Trong nghiên cứu này, do sự tương đồng giữa 2 chân, nên chúng tôi chỉ sử dụng giá trị var_COP của chân trái. 2.3.2. T – test phân tích sự khác biệt về thuộc tính var_COP giữa các nhóm đối

tượng Phương pháp kiểm định t - test (kiểm định sự khác biệt) được sử dụng trong kiểm định sự khác biệt về giá trị trung bình của tổng thể với một giá trị cho trước, hoặc kiểm định sự khác biệt về giá trị trung bình giữa hai tổng thể. Khi sử dụng phần mềm thống kê, chúng ta sử dụng cách tiếp cận mức ý nghĩa quan sát (Sig) để chấp nhận hoặc bác bỏ giả thuyết ban đầu.

𝑥1̅̅̅̅−𝑥2̅̅̅̅ 𝑆∆

Kiểm định thông kê t-test: t = .

2 Trong đó: S∆ = √𝑆1 𝑛1

2 𝑆2 𝑛2

𝑥1̅̅̅ : Giá trị trung bình của tập con thứ nhất 𝑥2̅̅̅ : Giá trị trung bình của tập con thứ 2

S1: Độ lệch chuẩn của tập con thứ nhất

S2: Độ lệch chuẩn của tập con thứ 2

n1: Tổng số giá trị trong tập con thứ nhất

n2: Tổng số giá trị trong tập con thứ 2

Trong nghiên cứu này chúng tôi sử dụng t – test để kiểm tra sự khác biệt giữa nhóm người bình thường và nhóm bệnh nhân Parkinson ở các giai đoạn. Chúng tôi sử dụng t – test để đánh giá mức độ khác nhau của var_COP ở 2 nhóm này. Sau khi đã tiền xử lý thì mỗi người tham gia bây giờ được đặc trưng bởi 2 loại chỉ số: chỉ số HY và giá trị var_COP. Những người tham gia được chia thành 4 nhóm: nhóm đối chứng (HY = 0); bệnh giai đoạn đầu (HY = 2,0); bệnh giai đoạn muộn (HY = 2,5 và 3,0) và bệnh Parkinson (HY = 2,0, 2,5 và 3,0). p_value được chọn để định lượng các mức độ khác nhau. 2.3.3. Đánh giá khả năng chẩn đoán bệnh lý Parkinson dựa vào var_COP bằng

hàm Logistic Trong thực tế, khi các dữ liệu phân loại có phân phối Bernoulli nhưng không linear separate, tức là không tìm được một đường thẳng, mặt phẳng hay siêu phẳng để phân loại dữ liệu thành 2 lớp thì hồi quy tuyến tính không phù hợp để đánh giá và phân loại bộ dữ liệu này. Do vậy, người ta sử dụng Logistic regression (losistic đơn biến) để phân loại mô hình này. Logistic regression sẽ đánh giá xác suất rơi vào một

lớp của một điểm dữ liệu. Ý tưởng của thuật toán Logistic regression áp dụng cho bài toán phân loại nhị phân như sau: Với một điểm dữ liệu được biểu diễn bằng tổ hợp vector X = {x0, x1...xn} có thể phân loại thành 1 trong 2 lớp là 0 và 1.

 Xác suất để điểm dữ liệu xi rơi vào 1 trong 2 lớp là:

P(yi = 1|w, xi) = f (wT ; xi)

 Xác suất diểm dữ liệu rơi vào lớp còn lại là:

P(yi = 0|w, xi) = 1 - f (wT ; xi)

Trong đó: P(1|w, xi) là xác suất điểm dữ liệu rơi vào lớp 1 khi vector biểu diễn điểm dữ liệu đưa vào là xi và w là tham số mô hình. f (wT ; xi) là hàm số chuyển đổi từ điểm dữ liệu đầu vào xi thành đầu ra yi với bộ tham số w. Ở mô hình logistic regression, hàm số sử dụng để chuyển đổi thường được sử dụng là hàm sigmoid.

 Thuật toán xây dựng hướng đến tìm w để kết quả đầu ra gần với dữ liệu đã cho nhất. Tham số w của mô hình được tìm ra nhờ việc đặt ra một hàm mất mát và sử dụng phương pháp gradient descent để tìm giá trị nhỏ nhất của hàm mất mát đó. Trong nghiên cứu này, Logistic Regression được sử dụng để đánh giá khả năng phân loại trong 2 thí nghiệm: CO với PD và CO với HY = 2. Sau đó, chúng tôi sử dụng phương pháp xác nhận chéo 10 lần để ước tính hiệu quả của mô hình. Đặc biệt, dữ liệu được chia ngẫu nhiên thành 10 nhóm và trong mỗi lần chạy, 9 nhóm được sử dụng để xây dựng mô hình, nhóm còn lại được sử dụng để thử nghiệm. Độ chính xác của dự đoán là trung bình của tất cả 10 lần chạy. Bên cạnh đó, chúng tôi đồng thời phân tích tham số trong mô hình Logistic để đánh giá độ ổn định của mô hình khi sử dụng thuộc tính var_COP.

Kết quả của mỗi thí nghiệm được thể hiện dưới dạng 1 ma trận lỗi (Cofusion matrix) gồm 4 ô. 4 ô theo thứ tự lần lượt là: dương tính thật (TP), dương tính giả (FP), âm tính giả (FN), âm tính thật (TN). Việc phân loại kết quả chẩn đoán thường được đưa vào ma trận lỗi như sau:

Bảng 2.4. Ma trận lỗi

Thực tế Dương tính Âm tính Dự đoán

Dương tính Âm tính TP FN FP TN

(TP: Dương tính thật, FP: Dương tính giả, FN: Âm tính giả, TN: Âm tính thật) Dựa vào ma trận lỗi này, ta có thể tính được cụ thể độ chính xác, độ nhạy, độ đặc hiệu, độ tập trung của việc phân biệt trong mỗi thí nghiệm. Các công thức tính cụ thể như sau:

𝑇𝑃 + 𝑇𝑁

𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁

𝑇𝑃

Độ chính xác =

𝑇𝑁

Độ nhạy = 𝑇𝑃 + 𝐹𝑁

𝑇𝑁 + 𝐹𝑃

Độ đặc hiệu =

𝑇𝑃

𝑇𝑃 + 𝑇𝑁

Độ tập trung =

2.4. Các phần mềm sử dụng trong nghiên cứu

Trong nghiên cứu này chúng tôi sử dụng Python để xử lý số liệu, tính toán, vẽ các biểu đồ, ngoài ra chúng tôi sử dụng endnote X8 để trích dẫn tài liệu tham khảo.

CHƯƠNG 3: KẾT QUẢ

3.1. Thuộc tính dao động áp lực trung tâm: var_COP

Kết quả tính toán var_COP được mô tả trong Bảng 3.1. Bảng mô tả dữ liệu gồm bảy cột. Trong đó, cột đầu tiên thể hiện các tiêu chuẩn đánh giá: giá trị trung bình (X̅), giá trị lớn nhất (Max), giá trị nhỏ nhất (Min), độ lệch chuẩn (SD). Sáu cột tiếp theo lần lượt là các giá trị đánh giá của: tất cả người tham gia, nhóm người khỏe mạnh, nhóm người Parkinson nói chung, nhóm Parkinson có chỉ số HY lần lượt là: 2,0; 2,5; 3,0. Nhìn chung, nhóm người khỏe mạnh có chỉ số var_COP trung bình lớn nhất (2,11), nhóm người mắc Parkinson giai đoạn 3 có giá trị trung bình nhỏ nhất (1,56).

Bảng 3.1. Tổng quan giá trị var_COP của từng nhóm người tham gia nghiên cứu

var_COP Toàn bộ Chứng Parkinson HY=2 HY=2,5 HY=3

1,10 2,07 1,11 2,25 1,56 2,70 0,96 2,70 0,96 2,28 0,96 2,28

1,80 2,11 1,74 1,90 1,68 1,56

0,27 0,34 0,30 0,27 2,97

Min Max X̅ SD 0,29 (Min: Giá trị nhỏ nhất, Max: Giá trị lớn nhất, 𝑋̅: Giá trị trung bình, SD: Độ lệch chuẩn) Khi xét sự phân bố của var_COP tương quan giữa các nhóm tham gia nghiên cứu, kết quả được biểu hiện như trên hình 7. Trên hình, giá trị var_COP của 4 nhóm: CO; HY = 2,0; 2,5; 3,0 được thể hiện bằng các đồ thị hàm số chuẩn. Có thể nhận thấy, chỉ số var_COP của các nhóm được sắp xếp theo thứ tự: CO > HY = 2,0 > HY = 2,5 > HY = 3. Hơn nữa, đồ thị hàm số của var_COP của nhóm CO dường như tách biệt hoàn toàn khỏi các nhóm bệnh nhân Parkinson.

Hình 3.1. Biểu đồ biểu diễn chỉ số var_COP của 4 nhóm

3.2. T - test phân tích sự khác biệt về thuộc tính var_COP giữa các nhóm đối

tượng

3.2.1. Phân biệt CO và PD

Khi sử dụng T – test, kết quả chỉ số var_COP giữa các nhóm là khác nhau với p_ value được thể hiện trên bảng 4. Trong đó, p_value khi phân biệt CO và các nhóm bệnh Parkinson khác đều nhỏ hơn 0.001 (p_value<0,001). Còn lại, p_value khi phân biệt các giai đoạn của bệnh Parkinson là lớn hơn 0,001. Kết quả này cho phép khẳng định var_COP khi phân biệt nhóm người khỏe mạnh với các nhóm bệnh nhân Parkinson khác là có ý nghĩa thống kê. 3.2.2. Phân biệt các giai đoạn của bệnh

Quan sát bảng 3.2 ta có thể thấy với p_value=0,05 việc sử dụng var_COP khi phân biệt nhóm người bệnh Parkinson với HY=2 và HY=3 là có ý nghĩa thống kê. Việc phân biệt người bệnh với HY=2,5 và HY=3, HY=2 không có ý nghĩa thống kê.

Bảng 3.2. p_value khi phân biệt các nhóm người tham gia

p_value CO HY = 2 HY = 2,5 HY = 3 PD

CO < 0,001 < 0,001 < 0,001 < 0,001

HY = 2.0 0,0802 0,0137

HY = 2.5 0,2624

HY = 3.0

(CO: Nhóm chứng, PD: Parkinson’s Disease, HY: Hoehn và Yahr)

3.3. Đánh giá khả năng chẩn đoán bệnh lý Parkinson dựa vào var_COP 3.3.1. Chẩn đoán CO và PD

Cụ thể, trong thí nghiệm phân biệt CO và PD, kết quả của mô hình hồi quy Logistic được thể hiện trong hình 3.2. Dựa theo công thức trên, ta tính được: độ chính xác 75%, độ nhạy 78%, độ đặc hiệu 69%, độ tập trung 77%. Kết quả sau khi sử dụng 10-fold cross validation, độ chính xác trung bình là 0,74. Độ chính xác và tất cả các giá trị khác đều khá cao, khẳng định hiệu quả của việc sử dụng var_COP để chẩn đoán phân biệt giữa CO và PD.

23 74 Dự đoán dương tính

49 19 Dự đoán âm tính

Thực tế âm tính Thực tế dương tính Hình 3.2. Ma trận lỗi khi phân biệt CO và PD

3.3.2. Chẩn đoán CO và PD (HY=2)

Tương tự, trong thí nghiệm phân biệt nhóm CO và nhóm người mắc Parkinson giai đoạn sớm (HY = 2), mô hình hồi quy Logistic cũng cho kết quả rất tiềm năng. Cụ thể, kết quả được biểu diễn trong hình 3.3. Các chỉ số tính được cũng tương đối khả quan: độ chính xác 69%, độ nhạy 56%, độ đặc hiệu 79%, độ tập trung 67%. Độ chính xác trung bình sau khi thực hiện 10 – fold cross validation là 0,8. Khi đặt cạnh những thách thức trong việc chẩn đoán sớm Parkinson thì var_COP quả thực là 1 thuộc tính đầy tiềm năng.

15 30 Dự đoán dương tính

57 25 Dự đoán âm tính

Thực tế âm tính Thực tế dương tính

Hình 3.3. Ma trận lỗi khi phân biệt CO và PD (HY= 2)

3.3.3. Tham số của mô hình Logistic

1+𝑒𝑎.𝑥 + 𝑏 cũng được lựa chọn để phân tích. Trong 10 mô hình ứng với 10 lần chạy cross-validation cho trường hợp phân loại CO và PD, tham số a và b lần lượt có giá trị: 𝑎 = −3,06 ± 0,09; 𝑏 = 6,14 ± 0,20. Tương tự ứng với phân loại CO và HY = 2, tham số 𝑎 = −2,55 ± 0,12; 𝑏 = 4,73 ± 0,25.

Hệ số a đóng vai trò là tham số của hàm Logistic: 𝑓(𝑥) =

Việc xây dựng được các hàm Logistic để xác định cụ thể xác suất người mắc

𝑓(𝑥) = bệnh như sau: Hàm logistic xác định xác suất người mắc Parkinson: 1+𝑒−3,06.𝑥 + 6,14

Hàm logistic xác định xác suất người mắc Parkinson với HY=2:

1+𝑒−2,55.𝑥 + 4,73

𝑓(𝑥) =

Với x là khoảng dao động của toạ độ trung tâm chân trái thu được theo quy trình của nghiên cứu này.

CHƯƠNG 4: BÀN LUẬN

4.1. Về đối tượng nghiên cứu

Parkinson là bệnh thoái hóa thần kinh mạn tính, cùng với tỷ lệ mắc và tỷ lệ lưu hành PD đang ngày càng tăng nhanh thì đi kèm với đó là một loạt các hậu quả nặng nề: suy giảm chức năng vận động, giảm chất lượng sống của bệnh nhân, tạo gánh nặng kinh tế cho gia đình và xã hội. Đặc biệt, hiện nay căn bệnh này vẫn chưa có giải pháp điều trị hoàn toàn, dứt điểm. Do đó, để có thể hạn chế những ảnh hưởng của căn bệnh này việc nghiên cứu và tìm ra phương pháp chẩn đoán sớm là vô cùng cần thiết và quan trọng. Trong nghiên cứu này, chúng tôi đưa ra một thuộc tính mới giúp mở ra hướng chẩn đoán sớm PD và kỳ vọng rằng trong tương lai chúng ta có thể giúp các bệnh nhân Parkinson cải thiện chất lượng cuộc sống.

Chúng tôi đã phân tích dữ liệu thu thập được tại Phòng thí nghiệm về dáng đi và động lực học thần kinh, Đơn vị rối loạn vận động của Trung tâm Y tế Tel - Aviv Sourasky và được công bố trên Physionet và đưa ra thuộc tính mới: Trung tâm áp lực (COP). Khi các đối tượng di chuyển vị trí của COP sẽ thay đổi theo thời gian hình thành nên khoảng dao động theo cả phương dọc theo chiều di chuyển (phương Y) và phương ngang (phương X). Thuộc tính chúng tôi sử dụng chính là khoảng dao động của COP dọc theo phương Y. Trên biểu diễn toán, nó được đo bằng phương sai của COP theo phương Y, do đó chúng tôi ký hiệu tên viết tắt của thuộc tính là var_COP. 4.2. Thuộc tính var_COP

Kết quả t – test cho thấy sự khác biệt của chỉ số var_COP trên CO và trên bệnh nhân Parkinson (với p_ value<0,001). Điều này hoàn toàn phù hợp với thực tiễn. Ở bệnh nhân Parkinson, họ thường bước đi ngắn hơn, nhanh hơn và dáng đi thường hướng nghiêng về phía trước. Điều này dẫn đến áp lực nhanh chóng phân bố lên cả gót lẫn mũi bàn chân. Đối với trường hợp người bình thường, trọng tâm áp lực thường sẽ di chuyển từ gót chân (khi tiếp đất) đến mũi (khi rời đi).

Sử dụng thuộc tính var_COP chúng tôi đã thấy những kết quả khả quan khi phân biệt CO với PD (HY=2; 2,5; 3) với p_ value<0,001; giữa nhóm bệnh nhân PD có HY=2 và HY=3 với p_ value<0,05.

Với các kết quả đạt được ở trên ta có thể thấy tiềm năng khi sử dụng thuộc tính mới var_COP trong chẩn đoán sớm PD cũng như trong phân biệt các giai đoạn của PD. 4.3. Đánh giá khả năng chẩn đoán bệnh lý Parkinson dựa vào var_COP

Để đánh giá khả năng chẩn đoán PD dựa vào thuộc tính var_COP chúng tôi sử dụng Logistic Regression tính toán độ chính xác, độ nhạy, độ đặc hiệu, độ tập trung. Các kết quả thu được ở trên rất khả quan khi chẩn đoán phân biệt CO và PD với độ chính xác 75%, độ nhạy 78%, độ đặc hiệu 69%, độ tập trung 77%, CO với PD (HY=2) với độ chính xác 69%, độ nhạy 56%, độ đặc hiệu 79%, độ tập trung 67%.

Chúng tôi cũng đã tính toán tham số của mô hình Logistic để đánh giá độ ổn định của mô hình khi sử dụng thuộc tính var_COP. Các kết quả chỉ ra tham số a và b của mô hình có tính ổn định cao, ít phụ thuộc vào cách phân nhóm dữ liệu xây dựng mô hình. 4.4. So sánh với các nghiên cứu liên quan So sánh với nghiên cứu tương đồng của Ozgur Asfar [1], thuộc tính chúng tôi sử dụng là var_COP mang ý nghĩa lý - sinh học, thuận lợi cho diễn giải lâm sàng. Khác với thuộc tính RQA mang ý nghĩa tín hiệu học khi so sánh 2 tín hiệu time series. Bên cạnh đó, trong yêu cầu chẩn đoán sớm, khả năng phân biệt người khỏe mạnh với Parkinson (HY=2) đã cải thiện rõ rệt từ 40% trong nghiên cứu của Ozgur lên 75% trong nghiên cứu của chúng tôi. Tuy nhiên, var_COP cũng cho thấy khả năng phân loại các bệnh nhân Parkinson ở các giai đoạn khác nhau kém RQA. Như vậy, var_COP và RQA có thể xem như 2 thuộc tính bổ trợ cho nhau, có thể dùng kết hợp để cho mục đích vừa chẩn đoán sớm vừa phân loại được mức độ bệnh cho bệnh Parkinson.

Khi so sánh với một nghiên cứu khác của P. Ghaderyan [17], tác giả cũng sử dụng dữ liệu được trích xuất từ các cảm biến rời đặt dưới chân bệnh nhân. Sử dụng phân tích giá trị đơn (ITSV) thay đổi theo thời gian, độ chính xác của phân biệt CO và PD là 97,22%, và độ chính xác khi chẩn đoán phân biệt sớm lên đến 95,59%. Tuy nhiên, việc sử dụng các thuật toán phức tạp, cồng kềnh, không có liên kết với cơ chế lâm sàng khiến các bác sĩ khó diễn giải kết quả. Var_COP với ý nghĩa lý sinh học thực tiễn có thể khắc phục được nhược điểm này, giúp các bác sĩ dễ dàng phát hiện sai sót khi chạy chương trình. Việc kết hợp ITSV và var_COP cũng hứa hẹn nhiều hiệu quả thực tiễn. Khác với các nghiên cứu sử dụng cảm biến lực rời như trên, Bernad-Elazari [6] sử dụng dữ liệu được trích xuất từ các cảm biến cố định (gia tốc kế). Tác giả tiến hành 2 thử nghiệm: 1 thử nghiệm thực hiện trong phòng khám và 1 thử nghiệm chuyển đổi. Thử nghiệm thực hiện tại phòng khám giúp phân biệt người khỏe mạnh và người mắc Parkinson giai đoạn sớm với độ chính xác chưa cao (52,7%). Thử nghiệm chuyển đổi tư thế (đứng lên - ngồi xuống và ngồi xuống - đứng lên) giúp phát hiện Parkinson sớm với độ chính xác 85,9%, nhưng lại bất tiện khi bệnh nhân phải đeo cảm biến liên tục trong 3 ngày. Var_COP có thể khắc phục cả hai nhược điểm này khi độ chính xác khá tốt và thời gian thực hiện nhanh chóng. Nghiệm pháp được sử dụng trong nghiên cứu của chúng tôi tương đối dễ tiến hành, các trang thiết bị kèm theo dễ chế tạo và thời gian thực hiện nghiệm pháp tới lúc có kết quả khoảng 3 phút. Đồng thời, độ chính xác đạt được tương đối tốt và ổn định. Đây là những điểm tích cực đáng kể khi đặt cạnh những thách thức mà Parkinson đang phải đối diện. Tuy nhiên, var_COP đang là bước khởi đầu và kết quả hiện tại đang mới chỉ phân tích đơn biến. Hướng tiếp cận này còn nhiều cơ hội và

tiềm năng để phát triển, kỳ vọng cải tiến hơn nữa khả năng dự đoán để hoàn toàn khả thi khi áp dụng hỗ trợ chẩn đoán và điều trị lâm sàng.

KẾT LUẬN

1. Thuộc tính var_COP

Trong nghiên cứu này với tập dữ liệu ban đầu thu được từ cảm biến lực gắn ở bàn chân chúng tôi đã xử lý, trích xuất và đưa ra thuộc tính mới: Thuộc tính dao động trung tâm áp lực var_COP. Khi sử dụng các mô hình: t – test và logistic regression để đánh giá khả năng chẩn đoán phân biệt giữa CO với PD, giữa các nhóm trong PD đã cho thấy những kết quả tích cực. Chúng tôi kỳ vọng cải tiến hơn nữa khả năng dự đoán PD dựa vào thuộc tính var_COP để áp dụng hỗ trợ chẩn đoán và điều trị lâm sàng. 2. Đánh giá khả năng chẩn đoán PD dựa vào thuộc tính var_COP

Sử dụng Logistic Regression để phân biệt giữa các nhóm: CO với PD và CO với PD (HY=2). Kết quả khi phân biệt CO với PD: độ chính xác 75%, độ nhạy 78%, độ đặc hiệu 69%, độ tập trung 77%; khi phân biệt CO với PD (HY=2): độ chính xác 69%, độ nhạy 56%, độ đặc hiệu 79%, độ tập trung 67%. Bên cạnh đó, các tham số a và b của hàm Logistic có tính ổn định cao, ít phụ thuộc vào cách phân nhóm dữ liệu xây dựng mô hình. 3. Đề xuất

Thuộc tính var_COP có tiềm năng và cơ hội rất lớn trong chẩn đoán sớm bệnh Parkinson. Chúng tôi kỳ vọng hướng tiếp cận này được cải tiến hơn nữa để hoàn toàn khả thi khi áp dụng hỗ trợ chẩn đoán và điều trị lâm sàng. Chúng tôi đề xuất tiếp tục tiến hành nghiên cứu trên các tập dữ liệu lớn hơn được thu thập từ nhiều bệnh nhân Parkinson trong và ngoài nước để có được kết quả chính xác hơn. Chúng tôi cũng đề xuất việc kết hợp nghiên cứu của chúng tôi cùng với các nghiên cứu khác để có thể cho ra những kết quả với độ chính xác, độ đặc hiệu, độ nhạy cao hơn nữa.

TÀI LIỆU THAM KHẢO

Afsar, O., Tirnakli, U., and Marwan, N. (2018), "Recurrence Quantification Analysis at work: Quasi-periodicity based interpretation of gait force profiles for patients with Parkinson disease", Sci Rep. 8(1), p. 9102. Aharonson, Vered, et al. (2018), "A Practical Measurement of Parkinson's Patients Gait Using Simple Walker-Based Motion Sensing and Data Analysis", Journal of Medical Devices. 12(1). Armstrong, M. J. and Okun, M. S. (2020), "Diagnosis and Treatment of Parkinson Disease: A Review", JAMA. 323(6), pp. 548-560. Ascherio, A., et al. (2004), "Coffee consumption, gender, and Parkinson's disease mortality in the cancer prevention study II cohort: the modifying effects of estrogen", Am J Epidemiol. 160(10), pp. 977-84. Aşuroğlu, Tunç, et al. (2018), "Parkinson's disease monitoring from gait analysis via foot-worn sensors", Biocybernetics and Biomedical Engineering. 38(3), pp. 760-772. Bernad-Elazari, H., et al. (2016), "Objective characterization of daily living transitions in patients with Parkinson's disease using a single body-fixed sensor", J Neurol. 263(8), pp. 1544-51. Bhat, S., et al. (2018), "Parkinson's disease: Cause factors, measurable indicators, and early diagnosis", Comput Biol Med. 102, pp. 234-241. Bhidayasiri, Roongroj and Tarsy, Daniel (2012), "Parkinson’s Disease: Hoehn and Yahr Scale", Movement Disorders: A Video Atlas, pp. 4-5. Chen-Plotkin, A. S., et al. (2011), "Plasma epidermal growth factor levels predict cognitive decline in Parkinson disease", Ann Neurol. 69(4), pp. 655- 63.

10. Chung K. K., Zhang Y., Lim K. L (2001), "Parkins upbiquitinates the alpha- synuclein-synphilin-1: implications for Lewy-body formation in Parkinson0s disease", Nat. Med.

11. David K. Simon, MD, PhD, Caroline M. Tanner, MD, PhD, and Patrik Brundin, MD, PhD (2019), "Parkinson Disease Epidemiology, Pathology, Genetics, and Pathophysiology". 12. Dickson, D. W. (2018), "Neuropathology of Parkinson disease", Parkinsonism

Relat Disord. 46 Suppl 1, pp. S30-S33. 13. Doherty, Karen M., et al. (2011), "Postural deformities in Parkinson's disease",

14.

15.

The Lancet Neurology. 10(6), pp. 538-549. Ehgoetz Martens, K. A., et al. (2018), "Evidence for subtypes of freezing of gait in Parkinson's disease", Mov Disord. 33(7), pp. 1174-1178. Frenkel-Toledo, S., et al. (2005), "Treadmill walking as an external pacemaker to improve gait rhythm and stability in Parkinson's disease", Mov Disord. 20(9), pp. 1109-14. 16. Gao X, Chen H, Fung TT, et al (2007), "Prospective study of dietary pattern and risk of Parkinson disease", Am J Clin Nutr.

17. Ghaderyan, Peyvand and Fathi, Gisoo (2021), "Inter-limb time-varying singular value: A new gait feature for Parkinson’s disease detection and stage classification", Measurement. 177.

18. Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, PC, Mark, R., ... & Stanley, HE (2000), "PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals", Circulation [Online]. 101(pp. e215–e220). 19. Goldman, S. M., et al. (2019), "Concordance for Parkinson's disease in twins: A 20-year update", Ann Neurol. 85(4), pp. 600-605.

20. Hausdorff, J. M., et al. (2007), "Rhythmic auditory stimulation modulates gait variability in Parkinson's disease", Eur J Neurosci. 26(8), pp. 2369-75. 21. Hughes A. J., Daniel S. E., Kilford L. and Lees A. J (1992), "Accuracy of clinical diagnosis of idiopathic study of 100 cases", J. Neurol. Neurosurg. Psychiatry.

23.

22. Kalf, J. G., et al. (2011), "Reproducibility and validity of patient-rated assessment of speech, swallowing, and saliva control in Parkinson's disease", Arch Phys Med Rehabil. 92(7), pp. 1152-8. Perez-Lloret, S., et al. (2012), "Oro-buccal symptoms (dysphagia, dysarthria, and sialorrhea) in patients with Parkinson's disease: preliminary analysis from the French COPARK cohort", Eur J Neurol. 19(1), pp. 28-37.

24. Quik, M., O'Leary, K., and Tanner, C. M. (2008), "Nicotine and Parkinson's disease: implications for therapy", Mov Disord. 23(12), pp. 1641-52. 25. Ritz B, Ascherio A, Checkoway H, et al (2007), "Pooled analysis of tobacco

26.

27. use and risk of Parkinson disease", Arch Neurol. Tanner, C. M., et al. (2014), "The disease intersection of susceptibility and exposure: chemical exposures and neurodegenerative disease risk", Alzheimers Dement. 10(3 Suppl), pp. S213-25. Tolosa, E. and Compta, Y. (2006), "Dystonia in Parkinson's disease", J Neurol. 253 Suppl 7, pp. VII7-13.

28. Virmani, T., et al. (2015), "Clinicopathological characteristics of freezing of gait in autopsy-confirmed Parkinson's disease", Mov Disord. 30(14), pp. 1874- 84.

29. Wahid, F., et al. (2015), "Classification of Parkinson's Disease Gait Using Spatial-Temporal Gait Features", IEEE J Biomed Health Inform. 19(6), pp. 1794-802.

30. WARD, W. H. CHURCH AND V. L. (1994), "Uric Acid in is Reduced in the Substantia Nigra Parkinson’s Disease: Effect on Dopamine Oxidation ", Brain Res Bull. 31. Weisskopf, M. G., et al. (2007), "Plasma urate and risk of Parkinson's disease", Am J Epidemiol. 166(5), pp. 561-7. 32. Yang, F., et al. (2015), "Physical activity and risk of Parkinson's disease in the Swedish National March Cohort", Brain. 138(Pt 2), pp. 269-75.

33. Yogev, G., et al. (2005), "Dual tasking, gait rhythmicity, and Parkinson's disease: which aspects of gait are attention demanding?", Eur J Neurosci. 22(5), pp. 1248-56.