Tydlig och detaljerad videobaserad kvantifiering av motoriska egenskaper från fingerklicktestet vid Parkinsons sjukdom

Varför fingerklick kan avslöja hjärnhälsa

För många med Parkinsons sjukdom blir vardagsrörelser som att knäppa en skjorta eller skriva på ett tangentbord gradvis långsammare och mindre. Läkare bedömer ofta dessa förändringar med ett enkelt fingerklicktest: patienten rör snabbt tummen mot pekfingret. Traditionellt observerar en kliniker och sätter ett enda poängvärde. Denna studie visar hur vanliga videoinspelningar och artificiell intelligens kan förvandla det korta testet till en rik, objektiv avläsning av rörelsestörningar, vilket kan göra övervakningen av Parkinsons mer precis och enklare att utföra hemma.

Ett enkelt test med dold komplexitet

Fingerklickuppgiften ser enkel ut, men specialister vet att den rymmer flera distinkta problem sammanvävda i en. Personer med Parkinsons kan uppvisa minskad rörelsestorlek (hypokinesi), långsammare rörelser (bradykinesi), en gradvis försämring under några sekunder (känd som sekvenseffekt) och oregelbundna pauser eller tvekan (hesitationsstopp). Fram tills nu bedömdes dessa mönster mest med blotta ögat och sammanfattades i en enda svårighetsgrad, vilket kan variera mellan kliniker. Författarna ville dela upp testet och mäta var och en av dessa fyra rörelseproblem separat med hjälp av enbart video.

Att göra video av händer till siffror

Forskarna analyserade mer än 4 000 fingerklickvideor från 446 personer med Parkinsons som deltog i Personalized Parkinson Project. Med datorseendeprogramvara lokaliserade de automatiskt nyckelpunkter på handen—såsom tummens spets, pekfingrets spets och handleden—i varje bildruta. Från dessa punkter beräknade de det förändrade avståndet mellan tumme och pekfinger när personen klickade. Genom att även spåra handflaters längd skalade de detta avstånd så att mätningarna skulle vara jämförbara även när kameravinkel eller avstånd varierade mellan inspelningarna. Den resulterande vågliknande signalen av öppnande och stängande fingrar blev grunden för alla senare beräkningar.

Mäta fyra typer av rörelseproblem

Från varje signal byggde teamet en kompakt uppsättning om 12 egenskaper utformade för att stämma överens med de fyra kliniskt definierade rörelseproblemen. Genomsnittlig klickhöjd fångade hur brett fingrarna öppnade, vilket återspeglade hypokinesi. Tiden mellan topparna i signalen fångade hur lång varje klickcykel tog, vilket återspeglade bradykinesi. Två hastighetsmått kombinerade information om storlek och tid för klicken. Ytterligare egenskaper följde om klicken krympte eller saktade ner under det korta testet (sekvenseffekten) och hur mycket storlek, tid och hastighet varierade från en cykel till nästa, inklusive ovanligt långa pauser som räknades som avbrott (hesitationsstopp). Statistiska tester visade att de flesta av dessa videobaserade mått försämrades i takt med det standardiserade kliniska poängvärdet, särskilt för rörelsestorlek, långsamhet och oregelbundna pauser.

Avslöja finare mönster i Parkinsons rörelse

För att se hur dessa mätningar naturligt grupperade sig använde författarna en statistisk teknik som klustrar relaterade egenskaper. De förväntade fyra rörelsedomänerna framträdde, men datan antydde ännu finare struktur. Särskilt verkade sekvenseffekten och hesitationsstoppen var och en dela sig i två undertyper: en driven av förändringar i rörelsestorlek och hastighet, och en annan driven av förändringar i timing och förekomsten av avbrott. Detta tyder på att vad som vid sängkanten ser ut som ett enda problem faktiskt kan bestå av flera distinkta mönster, som en dag skulle kunna kopplas till olika hjärnförändringar eller behandlingssvar.

Från objektiva egenskaper till praktisk poängsättning

Där dagens guldkalibrering fortfarande är Movement Disorder Society:s Unified Parkinson’s Disease Rating Scale (MDS-UPDRS) undersökte forskarna också om deras egenskaper kunde förutsäga de vanliga fingerklicksvårighetsgraderna. De tränade flera typer av maskininlärningsmodeller på videoegenskaperna. Den bästa modellen, ett gradientförstärkt beslutsträdssystem, placerade inspelningar i milda, måttliga eller svåra kategorier korrekt oftare än tidigare videobaserade metoder. Viktigt är att samma metod även fungerade väl på en separat dataset inspelad med en annan kamerauppsättning, vilket tyder på att den kan generalisera bortom ett enda laboratorium eller klinik.

Vad detta betyder för patienter och vård

I vardagstermen visar detta arbete att en kort video av någon som klickar med fingrarna kan omvandlas till ett detaljerat, objektivt fingeravtryck av hur Parkinsons sjukdom påverkar deras rörelser. Istället för en enda, subjektiv poäng kan läkare och forskare se separata siffror för hur små, hur långsamma, hur lätttröttade och hur oregelbundna rörelserna är. Eftersom metoden enbart förlitar sig på en kamera och tolkbara mätvärden kan den användas i stora kliniska prövningar och så småningom för fjärrkontroller hemma. Framtida studier behöver visa hur dessa videobaserade markörer förändras med medicinering och över år av sjukdom, men denna ram utgör ett viktigt steg mot mer precis och bekväm övervakning av Parkinsons symtom.

Citering: 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

Nyckelord: Parkinsons sjukdom, fingerklicktest, datorseende, fjärrmotorisk bedömning, digitala biomarkörer