Rilevamento del Freezing of Gait mediante smartphone in pazienti con malattia di Parkinson durante attività quotidiane simulate = Detection of Freezing of Gait using smartphone in Parkinson's disease patients during simulated daily living activities

La malattia di Parkinson (PD) è una patologia neurodegenerativa che colpisce annualmente da 10 a 20 persone su 100 000; tale malattia è conseguenza della progressiva perdita di neuroni dopaminergici e causa disturbi motori e non. Un sintomo particolarmente invalidante è il Freezing of Gait (FOG), una breve ed imprevedibile impossibilità di camminare, che si stima colpisca l’80% dei pazienti affetti da PD negli stadi avanzati. Attualmente esistono terapie per alleviare gli effetti di tale fenomeno tuttavia, data l’imprevedibilità e variabilità di tale evento, è di fondamentale importanza il suo monitoraggio per la somministrazione di terapie adeguate. Esistono sia metodi soggettivi, sia metodi oggettivi per valutarne la presenza; i secondi sono ritenuti più affidabili ma richiedono l’utilizzo di un laboratorio e di apparecchiature per l’analisi del cammino. La recente diffusione di tecnologie MEMS, come i “sensori indossabili” ha però reso possibile la realizzazione di tali studi ad un costo minore e meno invasivo. Si è quindi resa necessaria l’implementazione di algoritmi per riuscire a rilevare il FOG. Il lavoro svolto in questa tesi si propone di creare un algoritmo per individuare eventi di Freezing of Gait durante attività di vita quotidiana. Lo studio è stato condotto su 100 pazienti, freezer e non, utilizzando uno smartphone durante una visita ambulatoriale standard. È stato implementato un algoritmo di machine learning supervisionato: sono state implementate una serie di features atte a caratterizzare le varie attività e sono state scelte le più rilevanti alla classificazione. Tali features sono state utilizzate per la costruzione di 4 classificatori binari, ognuno dedicato alla distinzione di una specifica attività dal FOG. Il risultato di ogni classificatore è stato confrontato con i restanti ed è stato applicato il metodo del “max-wins voting” per ottenere il risultato finale della classificazione. Sono stati effettuati vari test per valutarne le performances; in primo luogo è stata eseguita una 10 fold cross-validation che ha garantito una Sensibilità del 91%, una Specificità del 97%, una Precisione del 91% ed un’Accuratezza del 96%. Le prestazioni hanno subito una leggera riduzione durante la scomposizione del dataset, utilizzandone il 70% per il Training ed il 30% per il Test set, arrivando ad una Specificità del 94%. Per quanto riguarda il Leave One Patient Out è stata raggiunta una Sensibilità dell’ 80%. In conclusione, le prestazioni sono risultate in media buone, considerato soprattutto il dataset molto scarso per quanto riguarda i dati relativi al FOG.