帕金森病诊断与监测的运动症状相关数字生物标志物研究进展总结2026

帕金森病诊断与监测的运动症状相关数字生物标志物研究进展总结2026帕金森病的主要病理特征在于黑质多巴胺能神经元进行性退行性变和路易小体形成，其患病率在60岁后为1%，在80岁后为3%［1,2］，典型临床症状只有在超过50%~70%的多巴胺能神经元退化后才会出现［3］，不利于早期诊断和治疗。尽管诊疗策略有所进展，帕金森病的诊断与管理仍面临挑战，如个体异质性及传统量表的主观性等限制［4］，都会对诊断的准确性产生一定影响，误诊率为15%~24%［5］。在帕金森病的病理进程中，伴随大量疾病相关数据的产生，数字技术的迭代发展为这些数据的高效分析与深度挖掘提供了重要支撑。帕金森病运动症状相关数字标志物属于数字生物标志物的一个子集，指通过数字化设备采集的、与运动症状直接关联的客观量化指标。该类标志物能够实现连续、非侵入性的远程监测，用于揭示疾病特征、评估病理状态及治疗反应，并为疾病进展的发现、解释与预测提供依据。随着机器学习和人工智能技术的发展，其在帕金森病的诊断监测中的潜力和作用逐渐凸显［6］。一项使用英国生物样本库数据的大型横断面研究结果显示，使用加速度测量数据可检测前驱帕金森病，并将基于遗传学、生活方式、血液生化和前驱症状的预测模型与数字测量进行比较，结果显示与其他预测模型相比，身体活动的数字测量更能识别前驱组中的患者［7］。此外，通过利用运动症状和各种算法以及传感器，部分研究者已经成功地预测了症状的严重程度，并产生了高度准确的结果［8,9,10］。这些研究结果均显示了运动型数字生物标志物在帕金森病的诊断和病情监测中具有巨大潜力。因此我们检索了PubMed、万方数据资源数据库，检索时间设定为2020年1月至2025年1月，中文检索词包括“帕金森病”“运动症状”“运动分析”“数字标志物”“诊断”“监测”“面部表情识别”“瞬目”“眼球运动变化”“构音障碍”“手指敲击”“书写障碍”“姿势步态障碍”“平衡”“冻结步态”“静止性震颤”“可穿戴设备”“传感器”“加速度计”“移动设备”“计算机视觉”“运动分析”“语音分析”“人工智能”“机器学习”，英文检索词包括“Parkinson′sdisease”“digitalmarkers”“motorsymptoms”“movementanalysis”“diagnosis”“facialemotionrecognition”“hypomimia”“blink”“oculomotor”“eyemovementandpupilbehavior”“oculomotor”“speechandvoicedisorders”“dysarthria”“fingertapping”“fingermovement”“dysgraphia”“writing”“handwriting”“micrographia”“postureandgaitdisorder”“balance”“freezinggait”“restingtremor”“wearableelectronicdevices”“wearablesensors”“sensor”“accelerometer”“mobileapplications”“computervision”“motionanalysis”“speechanalysis”“AI”“artificialintelligence”“deeplearning”。纳入和排除流程详见图1，最终纳入文献85篇。一、帕金森病的运动症状相关数字生物标志物目前常见的帕金森病运动症状相关的数字生物标志物主要来源于可穿戴设备、智能手机和应用程序和非可视技术。帕金森病运动症状主要体现在运动迟缓、震颤、姿势步态障碍［11］，我们也从这些方面对帕金森病的运动型数字生物标志物展开描述。（一）面部表情相关情绪化面部表情减少是帕金森病典型的临床特征，92%的帕金森病患者在病程中会出现此特征［12］，可能与多巴胺能神经传递减少导致的基底核和边缘系统功能失调有关［13］。目前用于量化帕金森病患者面部表情减少的技术手段有肌电图、基于相机的运动分析、基于视频的运动捕捉分析［14］。例如Gomez等［15］发现动态面部表情序列特征（如表情序列的起始、顶点、结束阶段）和面部动作单元单数的激活强度、持续时间等量化指标可作为反映帕金森病患者面部肌肉运动功能的数字生物标志物，为早期帕金森病的识别提供客观标志物。瞬目频率是帕金森病早期诊断的便捷量化型生物标志物，相关研究结果显示其在帕金森病患者与健康对照组间具有显著区分效应［16,17］。面部小肌肉震颤特征可用于量化帕金森病患者面部肌肉的不自主震颤，结合面部表情的幅度特征，也可用于帕金森病患者的识别［18］。各类算法模型的不断开发提取了更为丰富的数字生物标志物参数，最优模型的诊断准确率达100%［19,20］。面部表情特征除辅助诊断外，亦可用于评估治疗效果。Jiang等［21］提出一种结合隐私保护技术与面部表型分析的AIoT边缘服务框架，用于评估脑深部电刺激（deepbrainstimulation，DBS）对帕金森病患者的治疗效果，同时解决医疗数据在云端传输与处理中的隐私泄露问题，为帕金森病治疗效果量化与隐私保护提供一体化解决方案。当前研究结果显示面部表情相关运动数字生物标志物在帕金森病早期诊断和疗效判断领域具有重要作用，借助智能手机、网络摄像头等设备采集数据，使相关监测更具可及性和便捷性。但目前多数研究样本量有限，需增加样本数量和多样性，涵盖不同地域、种族、病程阶段的患者，提高研究结果的普适性，同时需要考虑到认知功能障碍和情绪问题带来的面部表情变化，建立严格的受试者纳入和分组标准，或者进行分层分析。未来可开展长期随访研究，观察面部表情数字生物标志物随疾病进展的变化规律，为疾病发展和治疗效果评估提供更可靠的依据。（二）眼球运动相关眼球运动异常是帕金森病的另一重要特征，其机制涉及上丘多巴胺能投射受损导致的扫视运动调控失调［22］。基于此，眼球运动追踪技术逐渐成为帕金森病诊断的重要工具。相关研究结果显示，扫视反应时、反向扫视准确率、瞳孔变化和眨眼参数等特征可有效区分患者与健康对照，并预测认知衰退风险，提示其与额叶皮质及执行、注意等认知功能相关［23,24］。此外，反向扫视速度和准确率可区分不同病程及运动亚型，并与步态/姿势障碍严重程度相关［25］。朝向扫视范围增加和反向扫视持续时间缩短亦被提示可作为病情进展的客观生物标志物［26］。尽管各研究所用设备和算法不同，但均强调眼球运动参数在辅助诊断中的价值［27,28］。值得注意的是，眼球运动异常具有任务特异性：针对静态目标的扫视任务，患者表现出明显的抑制控制缺陷，具体体现为短潜伏期扫视错误率升高及扫视幅度偏小；而在动态目标的追踪与预测任务中功能却相对保留，可能与绕过基底神经节或经丘脑底核的额叶-基底神经节补偿性通路有关［29,30］。除扫视外，瞳孔光反射延迟、收缩幅度和速度降低与病程及严重程度密切相关［31］。部分研究还显示，扫视潜伏期、准确性及平滑追踪参数与临床量表相关，并可以用于DBS的疗效评估。然而，眼球运动参数对药物和DBS的响应存在个体差异，部分参数的变化方向不一致，需建立动态评估模型以反映长期疗效［32,33］。总体来看，眼球运动生物标志物在帕金森病早期诊断与监测中潜力显著，但目前尚无公认的眼球运动参数正常范围及病理阈值，眼球运动异常也普遍存在于其他帕金森综合征中，单独依赖眼球运动参数难以精准鉴别疾病亚型。并且现有眼球运动任务多在实验室环境中完成，设备便携性差、测试耗时较长，难以适应快速评估需求，在实际临床应用中，如何将这些特征转化为简便易行的诊断工具仍需进一步探索。（三）构音障碍相关运动性构音障碍是帕金森病的早期核心症状之一，其特征性表现为声音强度降低、鼻音共鸣增强及言语韵律缺失，90%以上的帕金森病患者在病程中会出现语音异常，且在临床症状显现前10年即可检测到早期迹象［34,35,36］。Diao等［37］研究发现，基于平均交替运动频率、净语速等语音特征构建的分类模型能较好地区分患者与健康对照，并提示语音障碍不仅源于运动缺陷，还涉及认知加工及相关脑区功能异常。García等［38］发现利用韵律、发音和音位特征，可以区分不同认知状态患者，但未发现这些语音特征与统一帕金森评定量表（UnifiedParkinson′sDiseaseRatingScale，UPDRS）的运动症状评分存在显著相关性。而唐静等［39］的研究表明元音共振峰频率降低与Hoehn-Yahr评分、UPDRS评分第三部分显著相关。这可能是因为复杂的语音特征更易受认知状态和任务需求影响，而元音共振峰频率直接反映声道的运动幅度和形态，与运动迟缓、肌肉僵直等病理变化直接相关。此外，声道长度参数在跨语言和不同设备条件下均表现稳定，适合远程医疗［40］。声门气流振幅分布亦被提出为潜在指标，但其早期诊断价值尚不明确［41］。总之，语音相关研究已在发音动作、韵律及语言多个维度提取出潜在数字生物标志物，并结合机器学习和深度学习模型用于早期诊断、病情监测及疗效评估［42,43,44］。但不同研究使用的数据集差异大，测量指标不统一，难以进行直接比较和整合分析。并且语音检测易受设备差异、环境噪声等因素干扰，影响数据准确性和模型稳定性。目前缺乏标准化的参数体系和评估标准，导致不同研究结果难以相互验证。并且地理位置以及语言的多样性也是需要重视的研究问题，未来的研究可扩大样本量并确保样本多样性，涵盖不同地区、种族和病情阶段的患者，统一数据采集标准和测量指标，提高研究结果的可比性和可靠性。（四）手指敲击相关手指敲击功能障碍与基底神经节多巴胺能通路退行性病变密切相关，其表现为敲击频率下降、节律变异性增大和幅度衰减，是上肢运动迟缓的早期客观标志物［45］。传统量表评估受主观因素影响，难以捕捉亚临床阶段的细微变化，而基于传感器、计算机视觉及电子设备的数据驱动方法结合机器学习可实现更精准的量化。可穿戴惯性传感器可有效量化运动特征，其结果与临床评分高度一致［46］。结合深度学习分析的三维模式特征（协调性、失衡损伤、熵特征）对早期识别具有重要作用［47］，相关指标在帕金森病的鉴别诊断中亦展现潜力［48］。计算机视觉方法多采用2D或3D设备提取运动参数，通过机器学习实现患者与健康对照或病程分级的识别［49,50,51］。例如，Guarín等［52］提出分层二分类方法发现轻度患者区分依赖速度和周期，而中重度患者则依赖变异性指标。居家连续监测显示敲击频率和幅度能反映药物开关状态及剂量效应，为远程随访提供可能［53］。电子设备（触屏、鼠标、键盘）则通过节奏、准确性和疲劳度等多维特征实现运动评估，其中交替敲击任务构建的复合指标在检测药物反应和病情严重程度方面表现最佳［54,55,56,57］。目前手指敲击数字生物标志物已在实验室、临床和居家场景中验证有效性，但现有研究在特征提取方法和参数体系上缺乏统一，限制了跨研究比较。未来应基于临床标准建立规范化特征集，扩大多中心样本，涵盖不同病程和合并症患者，并在远程监测中加强培训与质量控制。同时需关注认知和情绪等非运动因素对指标的干扰，以提升手指敲击指标在帕金森病诊断和监测中的临床应用价值。（五）书写障碍相关帕金森病相关的书写障碍主要表现为书写缓慢、小字征及螺旋绘图轨迹不规则，与基底节-皮质环路功能异常及多巴胺能神经元变性密切相关，其严重程度与运动症状及认知功能衰退显著相关［58］。近年来，基于书写动力学的数字生物标志物逐渐成为辅助诊断的重要工具，其中时序和局部位置特征尤为关键。Wang等［59］结合卷积神经网络与长短期记忆网络，利用时空动态特征实现跨数据集分类准确率超过90%，且对帕金森病书写模式异质性具有良好适应能力。Xu和Pan［60］发现书写压力、Z轴倾斜及加速度在分类中贡献最大，提示患者存在书写压力异常和稳定性下降。Júnior等［61］基于智能传感笔提取的统计特征，在画圆与交替运动任务中识别准确率达100%，但未涵盖早期患者。Toffoli等［62］通过螺旋绘图的频率和平滑度实现患者与健康对照的区分，并与UPDRS评分显著相关，但早期识别效果有限。智能设备的普及和优化为实时筛查提供了便利，研究者基于平板系统发现速度及速度变异性在早期患者中已有显著差异［63］。总体而言，基于书写障碍的数字生物标志物在帕金森病的辅助诊断与机制探索中展现出潜力，但其临床转化仍面临多重挑战。目前多数研究仍集中于疾病识别，而对分期评估、疾病进展监测及药物疗效评价等方面的探索不足。书写障碍常与震颤、运动迟缓等其他症状共存，并受认知功能、教育背景等非运动因素影响，然而现有分析多局限于单一模态，未能对多症状的协同效应进行综合建模。此外，不同研究在特征选择、测试协议与评估标准方面缺乏统一性，未来研究需致力于标准化范式开发，并探索不同临床亚型书写特征的差异性与演化规律，以发现更具个体化和实用性的标志物。（六）姿势步态障碍相关姿势步态障碍是帕金森病的典型临床表现，主要表现为步幅缩短、步行速度减慢、冻结步态及姿势平衡障碍。当前数字生物标志物多聚焦于时空步态特征、对称性特征和稳定性特征［64］。研究结果表明，步频和冠状面最小移动角度可作为反映早期步态特征的运动学指标，认知-运动双重任务可提高异常检出率，且相关研究结果显示步态加速度幅度降低与帕金森病患者认知功能相关联，可能与步态是需要高级认知功能参与的复杂行为有关［65,66］，也有研究发现摆臂不对称性较下肢参数更为敏感［67］。Cai等［68］发现早期患者与对照的区别主要体现在变异性特征，而轻度患者则更多表现为幅度特征。运动参数不仅能区分是否伴随冻结步态，还可通过单点胫骨前传感器结合时频域分析预测冻结步态的临界状态［69］。足底压力特征和垂直地面反作用力被证实为病情进展的有效标志，不仅可以用于识别早期帕金森病患者［70,71,72］，还可以进行跌倒风险的评估［73］、冻结步态的监测和预测［74,75,76,77,78］。足触地角度和躯干横向活动范围变异性也是评估帕金森病患者跌倒风险的重要指标［79］。由于上、下肢运动具有同步性，腕带式加速度计也能用于远程监测和干预［80］。姿势步态障碍相关运动学参数除用于帕金森病的诊断监测外［81,82,83,84,85］，还可反映帕金森病患者药物及非药物治疗的运动功能改变［86,87,88,89］。在检测手段方面，可穿戴传感器应用最为广泛，而无标记视频监测因操作简便、依从性高，也逐渐受到重视。已有研究通过下肢坐标与角度特征结合机器学习模型实现对冻结步态的预测［90］；步频、摆臂速度与幅度、步宽变异及踝关节速度等参数结合随机森林模型亦可有效识别患者［91］。此外，表面肌电图活动变化特征也被证实可提前预测冻结步态发作［92］。尽管已有大量研究，但真正具备临床应用价值的步态障碍相关数字生物标志物仍然有限，主要受限于样本规模不足、缺乏统一标准及单一指标难以全面反映病情。未来研究亟需依托多中心大规模队列，推动数据采集与分析的规范化，并加强多模态整合与纵向随访，以提高结果的稳定性和机制解释力。同时应兼顾设备便捷性与患者依从性，可考虑与临床量表及影像学结合，探索相关机制，从而加速数字标志物在个体化评估和精准干预中的转化应用。（七）静止性震颤相关静止性震颤也是帕金森病患者的典型运动症状之一，常表现为单侧肢体（尤以上肢末端）的不自主节律性震颤，大约70%的帕金森病患者在病程中出现震颤，疾病进展中，双侧静止性震颤比例显著增加［93］。目前基于生物传感技术的震颤检测体系正逐步完善，在量化评估层面，智能手机内置加速度计、腕部可穿戴传感器及视频图像分析构成基础数据采集框架。震颤中的时域和频域特征在帕金森病患者和健康对照的区分以及震颤严重程度的评估中起重要作用［94,95,96］。Mahadevan等［97］提取了震颤的时域和频域特征，结合手部运动迟缓幅度，能显著区分用药状态。对复杂背景下的动态监测难题，采用卷积-长短期记忆神经网络联合解码手部运动轨迹变化频率的跨模态方法，可显著提升自然环境的实时监测效能［98］。Farhani等［99］用表面肌电图特征结合深度学习算法也可以对不同的震颤类型进行良好识别。震颤中的强度、频率、变异性、相位差等特征不仅可以用于鉴别帕金森病和特发性震颤，还可以用于量化帕金森病患者的震颤强度和药物效果［100,101］。然而现有研究仍面临挑战，部分研究的样本量较小，影响研究结果的普遍性和模型的可靠性未来除进行多中心合作并使用统一的数据采集标准协议外，也可采用迁移学习和数据增强的方式来增加模型的鲁棒性。现有模型在处理复杂情况时仍有不足，对动作性震颤的估计相关性较低，难以精准区分不同类型和程度的震颤。在临床的实际应用中还需要考虑到设备佩戴的舒适性、长期使用的依从性问题、视频分析技术在不同环境下的适应性问题以及标准化和准确性验证问题。（八）多模态特征融合相关近年来，针对帕金森病运动症状的数字生物标志物研究已逐渐从单一模态转向多模态融合，通过整合运动学、影像学、代谢组学等多源数据，实现对帕金森病运动障碍的全面捕捉，显著提高早期诊断的敏感性和鲁棒性，同时有助于相关机制探索。研究结果表明，融合语音与面部特征可辅助早期识别患者，其阅读时间延长、停顿增多，音高与音量变异减小，眨眼频率显著降低［17］。Brzenczek等［102］协同分析步态-代谢组学数据，通过机器学习实现帕金森病多维度结局包括诊断、运动严重程度、共病、疾病进展在内的精准预测。类似的还有步态与眼球运动的多模态数据整合，利用协方差描述符与黎曼流形学习构建特征表示，两种融合策略下帕金森病患者与健康对照区分准确率均达100%［103］。Syeda等［104］发现帕金森病患者上肢手指敲击与步态的幅度设置在运动负荷和多巴胺调节下呈现相似变化，提示这些自动化运动功能可能由共同的神经网络调控。智能手机和智能手表的应用程序则进一步拓展了远程监测的可能性，除步态和平衡评估外，还能同时检测手指敲击、构音及认知功能，适合远程、