Interpreteerbare en gedetailleerde videogebaseerde kwantificering van motorische kenmerken uit de vinger‑tiktest bij de ziekte van Parkinson

Waarom vingers tikken inzicht kan geven in hersengezondheid

Bij veel mensen met de ziekte van Parkinson worden alledaagse bewegingen zoals een knoop dichtmaken of typen geleidelijk kleiner en trager. Artsen beoordelen deze veranderingen vaak met een eenvoudige vinger‑tiktest: patiënten raken herhaaldelijk hun duim en wijsvinger aan. Traditioneel kijkt een clinicus toe en geeft één score. Deze studie laat zien hoe gewone videobeelden en kunstmatige intelligentie die korte test kunnen omzetten in een rijke, objectieve weergave van bewegingsproblemen, wat monitoring van Parkinson mogelijk nauwkeuriger en eenvoudiger thuis uitvoerbaar maakt.

Een eenvoudige test met verborgen complexiteit

De vinger‑tiktaak lijkt rechttoe rechtaan, maar specialisten weten dat er meerdere afzonderlijke problemen in schuilgaan. Mensen met Parkinson kunnen kleinere bewegingen laten zien (hypokinesie), langzamere beweging (bradykinesie), een geleidelijke afname van prestaties over enkele seconden (het zogenaamde sequence‑effect) en onregelmatige pauzes of aarzelingen (hesitation‑halts). Tot nu toe werden deze patronen meestal met het blote oog beoordeeld en samengevat in één ernstscore, die per clinicus kan verschillen. De auteurs probeerden deze test op te splitsen en elk van deze vier bewegingsproblemen afzonderlijk te meten met alleen video.

Video van handen omzetten in cijfers

De onderzoekers analyseerden meer dan 4.000 vinger‑tikvideo’s van 446 mensen met Parkinson die meededen aan het Personalized Parkinson Project. Met computervisie‑software lokaliseerden ze automatisch sleutelpunten op de hand—zoals het duimpunt, het topje van de wijsvinger en de pols—in elk frame. Vanuit deze punten berekenden ze de veranderende afstand tussen duim en wijsvinger terwijl de persoon tikte. Door ook de lengte van de handpalm te volgen, schaalden ze deze afstand zodat de metingen vergelijkbaar zouden zijn, zelfs wanneer de camerahoek of afstand tussen opnames verschilde. Het resulterende golfachtige signaal van openen en sluiten van de vingers vormde de basis voor alle latere berekeningen.

Vier soorten bewegingsproblemen meten

Uit elk signaal bouwde het team een compacte set van 12 kenmerken die bedoeld waren om overeen te komen met de vier klinisch gedefinieerde bewegingsproblemen. De gemiddelde tikhoogte gaf aan hoe wijd de vingers openden en weerspiegelde hypokinesie. De tijd tussen pieken in het signaal gaf aan hoe lang elke tikschaal duurde en weerspiegelde bradykinesie. Twee snelheidsmaten combineerden informatie over omvang en timing van de tikken. Extra kenmerken volgden of tikken in de korte test afnamen of vertraagden (het sequence‑effect) en hoe sterk omvang, timing en snelheid van tikken van de ene cyclus op de andere fluctueerden, inclusief abnormaal lange pauzes die als onderbrekingen telden (hesitation‑halts). Statistische tests toonden aan dat de meeste van deze videogebaseerde maten verergerden in lijn met de standaard klinische score, vooral voor bewegingsomvang, traagheid en onregelmatige pauzes.

Fijnere patronen in Parkinson‑bewegingen onthullen

Om te zien hoe deze metingen van nature samenklonterden, gebruikten de auteurs een statistische techniek die gerelateerde kenmerken groepeert. De verwachte vier bewegingsdomeinen verschenen, maar de data suggereerden een nog fijnere structuur. Met name leken het sequence‑effect en de hesitation‑halts elk in twee subtypen te splitsen: één gedreven door veranderingen in bewegingsomvang en snelheid, en een ander gedreven door veranderingen in timing en het optreden van onderbrekingen. Dit suggereert dat wat aan het bed als één probleem lijkt, in werkelijkheid uit meerdere afzonderlijke patronen kan bestaan, die op termijn mogelijk gekoppeld kunnen worden aan verschillende hersenveranderingen of behandelreacties.

Van objectieve kenmerken naar praktische scoring

Aangezien de huidige gouden standaard nog steeds de Movement Disorder Society’s Unified Parkinson’s Disease Rating Scale (MDS‑UPDRS) is, onderzochten de onderzoekers ook of hun kenmerken de gebruikelijke ernstscores van de vinger‑tik kunnen voorspellen. Ze trainden verschillende typen machine‑learningmodellen op de videokenmerken. Het beste model, een gradient‑boosted decision‑tree systeem, plaatste opnames vaker correct in de categorieën licht, matig of ernstig dan eerdere videogebaseerde methoden. Belangrijk is dat dezelfde aanpak ook goed werkte op een aparte dataset die met een andere cameraopstelling was opgenomen, wat suggereert dat het te generaliseren is buiten één lab of kliniek.

Wat dit betekent voor patiënten en zorg

In praktische termen laat dit werk zien dat een korte video van iemand die met de vingers tikt kan worden omgezet in een gedetailleerd, objectief vingerafdrukje van hoe de ziekte van Parkinson hun bewegingen beïnvloedt. In plaats van één subjectieve score kunnen artsen en onderzoekers afzonderlijke cijfers zien voor hoe klein, hoe langzaam, hoe snel vermoeid en hoe onregelmatig de bewegingen zijn. Omdat de methode alleen een camera en interpreteerbare metingen vereist, kan deze worden ingezet voor grootschalige klinische onderzoeken en mogelijk later voor afstandscontroles thuis. Toekomstig onderzoek moet aantonen hoe deze videogebaseerde markers veranderen bij medicatie en over jaren van ziekte, maar dit raamwerk is een belangrijke stap naar preciezere en handzamere monitoring van Parkinson‑symptomen.

Bronvermelding: Zarrat Ehsan, T., Tangermann, M., Güçlütürk, Y. et al. Interpretable and granular video-based quantification of motor characteristics from the finger-tapping test in Parkinson’s disease. npj Parkinsons Dis. 12, 101 (2026). https://doi.org/10.1038/s41531-026-01307-w

Trefwoorden: Ziekte van Parkinson, vinger‑tiktest, computervisie, afstandsbeoordeling van motoriek, digitale biomarkers