关键词：MG；远程医疗评估；深度学习；Frontiers in Neurology
随着视频图像分析和人工智能技术的进步，数字化工具在患者评估领域的应用为传统临床护理和临床试验效率的提升提供了新的机会。特别是在重症肌无力（MG）患者中，由于其罕见性、易波动性以及对专科医生疾病特定监测的需求，迫切需要改进临床试验结果测量和临床护理方法【1】。在此背景下，Marc Garbey 等在学术期刊 Frontiers in Neurology 上发表了题为 Application of digital tools and artificial intelligence in the Myasthenia Gravis Core Examination 的研究论文【2】。本研究旨在评估通过Zoom视频记录标准化的神经肌肉检查——重症肌无力核心检查（MG-CE）——在远程医疗评估中的量化能力。研究发现，利用数字工具和人工智能对MG-CE进行量化分析是可行的，能够通过标准的Zoom视频记录产生连续的测量结果，有助于在传统临床环境之外对MG患者进行精确检查。（如需原文，请加微信healsana获取，备注20241204FN）本研究共评估了51名MG患者，视频在不同天录制两次，同时评估了15名对照对象一次。
🔷 视频分析的可行性：
研究证明了通过Zoom视频记录对MG-CE进行量化分析是可行的：
眼睑下垂（Ptosis）评估：成功计算了眼睑位置的变化，并识别出两种上睑疲劳模式，一种是平滑线性下降，另一种是更为混乱的行为，表明患者在保持上视时遇到困难。
眼球对准（Ocular alignment）：在控制组中，研究能够在5%的误差范围内确定眼球对准，而在MG患者中，发现了在测试期间眼球对准的漂移。
手臂平伸（Arm extension）：算法成功分析了参与者维持肩部外展的时间和角度衰减，能够量化MG患者的手臂疲劳。
起坐练习（Sit-to-stand exercise）：虽然由于视频帧数限制和算法延迟，起坐练习的时间自动识别准确性不高，但能够自动检测患者是否无法站立。
计数至50（Count-to-50 exercise）：自然语言处理（NLP）成功识别了发音时间窗口，并计算了计数至50的时间长度，发现了患者之间在计数频率上的显著变异。
单呼吸计数（Single-breath-count）：NLP能够确定测试的总时间和参与者计数的数量，但由于患者响应在访问之间的变化，难以用此练习评估呼吸功能。
面颊充气和舌头突出（Cheek puff and tongue protrusion）：这两个评估最难用计算机视觉分割，尽管能够评估参与者是否能够形成紧密的“O”形密封，但由于解剖变异，无法建立可靠的评估方法。
编者按：
临床意义和科研启发：
本研究利用数字工具和人工智能对MG-CE进行量化分析，提高了临床评估的精确性，并为远程医疗和临床试验提供了新工具，同时为神经肌肉疾病的管理和发展新型临床评估技术开辟了新途径。
期待更多类似高质量研究，给患者带来更优的临床诊疗策略。
【1】Zeiler, SR, Abshire Saylor, M, Chao, A, and Bahouth, M. Telemedicine Services for the Delivery of specialty home-based neurological care. Telemed J E Health. (2022) 29:1088–95. doi: 10.1089/tmj.2022.0242.【2】https://doi.org/10.3389/fneur.2024.1474884本文只是分享和解读公开的研究论文及其发现，以作科学文献记录和科研启发用；并不代表作者或本公众号的观点，更不代表本公众号认可研究结果或文章。为了给大家提供一个完整而客观的信息视角，我们有时会分享有冲突或不同的研究结果。请大家理解，随着对疾病的研究不断深入，新的证据有可能修改或推翻之前的结论。作者：Amber Wang，编辑：Jessica，微信号：Healsanq。助理：ChatGPT“征战重症肌无力”与各位同仁一起，学习重症肌无力的研究进展，探索更优的诊疗策略。欢迎同仁投稿及分享。运营：美国Healsan咨询公司MG项目组，专注于临床科研及临床试验的服务公司，擅长于针对重症肌无力的临床科研设计及临床试验结果的报告撰写。
