在不同环境中对远程多模态人工智能筛查帕金森病的有效性进行验证

《Communications Medicine》：Validation of remote multimodal AI screening for Parkinson disease across diverse settings

　　

摘要

背景

帕金森病（PD）的及时检测仍受限于依赖面对面的神经学评估，这类评估通常成本高昂且难以在地理上实现。为了解决这些障碍，我们开发了PARK（利用远程运动任务进行帕金森病分析）——一种基于网络的人工智能（AI）工具，它通过面部表情、运动和言语任务的简短网络摄像头录像来筛查PD。

方法

在八项独立研究中（n = 1,865名参与者；其中670人患有PD），参与者通过网络摄像头完成了三项标准化任务（模仿微笑、手指敲击和发音pangram）。针对这些任务的神经网络会估算PD的风险和不确定性，这些信息通过一个经过不确定性校准的融合模型（UFNet）进行整合。该模型的性能在代表监督学习和非监督学习现实世界环境的一个内部测试集和两个外部测试集上进行了评估。此外，三位运动障碍专家还审查了30名参与者的视频，以评估PARK工具的临床一致性。用户体验通过包含开放式或选择题的结构化调查来进行评估。

结果

PARK在所有评估组中的准确率为80.2–80.6%，AUROC值为0.85–0.87，敏感性为83.3–86.5%，特异性为71.2–78.4%。其预测性能在性别、年龄和种族方面保持稳定。与临床医生的判断一致性达到Cohen’s κ = 0.59。不确定性估计反映了诊断的信心水平，且在不确定性较高时性能会下降。在监督和非监督环境中，该工具的用户满意度都很高（系统可用性量表 > 70），用户普遍认为远程筛查的风险较低并且非常青睐这种方式。

结论

PARK显示出显著的准确性和良好的用户接受度，表明它作为一种可获取的、公平的、考虑不确定性的神经学评估工具具有巨大潜力，尤其是在传统诊疗难以实现的情况下。

.writeFile>