IMPIEGO DELLA GAIT ANALYSIS PER VALUTARE DIFFERENZE DI GENERE NELLA MALATTIA DI PARKINSON: UN APPROCCIO DI CLASSIFICAZIONE GENERE-SPECIFICO SULLE VARIABILI DEL CAMMINO

Il morbo di Parkinson (PD) è una patologia neurodegenerativa che comporta sintomi motori e non motori, incluso il lieve deterioramento cognitivo (MCI). Colpisce più frequentemente gli uomini e mostra differenze di genere nel fenotipo, forse influenzate dagli estrogeni. Questo studio indaga tali differenze per migliorare la gestione personalizzata della malattia. L’analisi si sviluppa su due fronti: (1) l’indagine delle differenze di genere nei parametri spazio-temporali e cinematici del cammino in pazienti con PD tramite gait analysis e statistica; (2) lo sviluppo di modelli di Machine Learning (ML) genere-specifici per distinguere i pazienti con o senza MCI in base alle variabili del cammino. In questo secondo caso, in particolare, l’obiettivo è ottimizzare l’accuratezza della classificazione e comprendere l’impatto dell’MCI sul cammino in relazione al genere. Sono stati coinvolti 105 pazienti (73 uomini, 32 donne); per i modelli di ML, 68 uomini (33 con MCI, 35 senza) e 31 donne (14 con MCI, 17 senza), avendo escluso i pazienti privi di informazioni su presenza o meno di MCI. L’analisi del cammino si è svolta presso l’ospedale San Giovanni di Dio e Ruggi d’Aragona, in tre condizioni: single task (GAIT), dual task motorio (MOT) e dual task cognitivo (COG). I parametri spazio-temporali sono risultati simili tra i sessi, tranne la larghezza del passo in GAIT, maggiore negli uomini; differenze significative sono emerse nella cinematica della caviglia, con maggiore plantarflessione nelle donne. Inoltre, l’aumento della complessità del compito ha influito in modo diverso: le donne mostrano maggiore variazione biomeccanica nei dual task, indicando una possibile maggiore vulnerabilità al dual task. Nell’analisi di ML, tra le strategie impiegate per la selezione delle features, la tecnica di Minima Ridondanza Massima Rilevanza (MRMR) è risultata la migliore. Tra i modelli valutati con leave-one-out cross-validation, KNN e SVM sono risultati i più performanti, soprattutto con variabili spazio-temporali (accuratezze >80%). Il modello migliore in assoluto è stato KNN (GAIT, uomini), con accuratezza dell’88,24% e AUCROC 0,83. Nelle donne, COG è risultato più predittivo, mentre negli uomini, GAIT è risultato più efficace di COG con variabili spazio-temporali. La selezione delle variabili e l’approccio genere-specifico si sono rivelati fondamentali per l’efficacia dei modelli e per una maggiore comprensione dell’impatto dell’MCI sul cammino in relazione al genere.