Machine learning-classificatie van vroegstadium Parkinson met sit-to-walk-biomechanische kenmerken

Waarom opstaan uit een stoel ertoe doet

Voor veel oudere volwassenen voelt het gewoon opstaan uit een stoel en het zetten van de eerste stappen een beetje onstabiel aan. Bij mensen in de allereerste stadia van de ziekte van Parkinson kan deze alledaagse beweging stilletjes problemen in balans en bewegingscontrole onthullen, lang voordat symptomen duidelijk zichtbaar worden. Deze studie onderzoekt of een korte “sit-to-walk”-taak, gecombineerd met bewegingssensoren en machine learning, kan helpen Parkinson eerder en objectiever te detecteren dan standaard klinische observatie alleen.

Een nadere blik op een alledaagse beweging

De onderzoekers concentreerden zich op de sit-to-walk-taak, die twee veeleisende acties combineert: opstaan uit een stoel en meteen in lopen overgaan. Deze overgang belast het evenwicht omdat het lichaamsgewicht snel naar voren verschuift en op één been komt te rusten. In de studie voerden 63 mensen met vroegstadium Parkinson en 43 leeftijdsgenoten zonder de ziekte deze taak uit in een comfortabel tempo. Terwijl ze bewogen, registreerden een reeks camera’s, krachtenplaten in de vloer en kleine sensoren op hun beenspieren hoe hun lichaam en spieren zich gedroegen vanaf het moment dat ze voorover leunden tot de voltooiing van de eerste twee stappen.

Van honderden metingen naar een paar belangrijke signalen

Elke sit-to-walk-proef werd opgedeeld in fasen, van de eerste rompneiging tot de tweede voetlanding, en er werden meer dan 200 metingen afgeleid. Deze omvatten hoe snel het totale zwaartepunt van het lichaam bewoog, hoe ver het verschoven ten opzichte van de druk onder de voeten, en hoe de romp en benen roteerden. Geavanceerde computeralgoritmen hebben deze grote dataset doorzocht. Met behulp van random forest- en gradient-boosting-methoden beperkte het team eerst het aantal metingen tot 26 die het beste mensen met vroeg Parkinson van gezonde vrijwilligers scheidden. Een verdere statistische analyse snoeide deze lijst vervolgens terug tot slechts drie biomechanische markers die samen het grootste deel van de bruikbare informatie droegen.

Hoe vroegstadium Parkinson eruitziet in beweging

De drie cruciale markers vingen hoe mensen hun lichaamsmassa en romp controleerden tijdens het opstaan en het zetten van de eerste stappen. In vergelijking met gezonde leeftijdsgenoten verplaatsten mensen met vroegstadium Parkinson hun zwaartepunt over de hele taak langzamer, verschoven ze het minder ver naar voren ten opzichte van de druk onder hun voeten tijdens de eerste stapfase, en bogen ze hun bovenrug door een kleiner bewegingsbereik. Deze patronen suggereren een voorzichtige, verkorte gewichtsverplaatsing en een stijvere romp — veranderingen die mogelijk compensaties zijn om het evenwicht te bewaren wanneer de hersencircuits voor bewegingsplanning al subtiel zijn aangetast. De studie vond ook grotere links-rechts verschillen in de activiteit van onderbeenspieren in de Parkinson-groep, wat de neiging van de ziekte weerspiegelt om aan één zijde van het lichaam te beginnen.

Computers leren het patroon te herkennen

Gewapend met deze markers trainde het team meerdere machine learning-modellen om te onderscheiden wie wel en wie geen Parkinson had. Wanneer alle 200 oorspronkelijke metingen werden gebruikt, classificeerde het beste model, een random forest-classifier, de deelnemers correct in ongeveer 87% van de gevallen. Het gebruik van de 26 belangrijkste kenmerken verbeterde dit licht tot ongeveer 92%. Opmerkelijk genoeg bleef de nauwkeurigheid sterk, rond 85%, toen het model alleen op de uiteindelijke drie sit-to-walk-markers vertrouwde. Dit laat zien dat zelfs een zeer compacte set bewegingssignalen, afgeleid van een eenvoudige dagelijkse taak, robuuste informatie over vroegstadium ziekte kan bieden.

Wat dit kan betekenen voor dagelijkse zorg

De auteurs concluderen dat subtiele veranderingen in hoe mensen opstaan en hun eerste stappen zetten kunnen dienen als gevoelige vroege waarschuwingssignalen voor de ziekte van Parkinson. Omdat de drie sleutelmarkers kleine verschuivingen in de snelheid van het hele lichaam, de voorwaartse gewichtsverplaatsing en de rompbeweging weerspiegelen, zouden ze mogelijk met eenvoudigere middelen meetbaar zijn, zoals draagbare sensoren of kliniekgebaseerde bewegingsplatforms. Als dit bevestigd wordt in grotere en meer diverse groepen, kan deze benadering artsen een snelle, niet-invasieve manier bieden om oudere volwassenen te screenen op vroegstadium Parkinson en degenen te identificeren met een hoger risico op vallen — lang voordat duidelijkere symptomen verschijnen.

Bronvermelding: Kim, M., Youm, C., Park, H. et al. Machine learning classification of early-stage Parkinson’s disease using sit-to-walk biomechanical features. Sci Rep 16, 10559 (2026). https://doi.org/10.1038/s41598-026-45122-y

Trefwoorden: Ziekte van Parkinson, gang en evenwicht, machine learning, biomechanica, vroege diagnose