编辑推荐：
帕金森病（PD）神经精神波动影响患者生活质量，临床评估存在困难。研究人员分析 33 名 PD 患者在 ON 和 OFF 药物状态下的自发言语内容，使用机器学习和大语言模型（LLMs）预测药物状态和神经精神状态评分。LLMs 的 Gemma-2（9B）表现最佳，这为 PD 治疗效果评估和远程监测提供了新方法。
帕金森病（Parkinson’s disease，PD）是一种复杂的神经退行性疾病，除了运动症状外，其神经精神症状如情绪变化、抑郁、焦虑等对患者生活质量的影响不容小觑。随着疾病进展，多巴胺能替代疗法虽能缓解症状，但会导致症状波动，即神经精神波动。“OFF” 药物状态下，患者常感到疲劳、情绪低落；“ON” 药物状态下，则可能表现为话多、欣快等。然而，临床实践中对这些波动的评估存在局限，患者也难以准确回顾自身症状变化，这给精准治疗带来挑战。
为了解决这些问题，来自瑞士伯尔尼大学 ARTORG 生物医学工程研究中心老年技术与康复小组、伯尔尼大学医院神经内科等多个机构的研究人员开展了一项研究，相关成果发表在《npj Parkinson's Disease》上。
研究人员采用的主要技术方法包括：招募符合运动障碍协会标准的波动型 PD 患者，在其进行左旋多巴激发试验时，系统记录他们在 ON 和 OFF 药物状态下的自发言语；使用神经精神波动量表（NFS）量化神经精神波动，用运动障碍协会统一帕金森病评定量表（MDS-UPDRS）评估运动症状等；利用 OpenAI 的自动语音识别工具 Whisper 将语音样本转录为文本并翻译为英文；通过语义搜索、机器学习模型和大语言模型三种方法对药物状态进行分类，并预测神经精神状态评分，使用留一法交叉验证评估模型性能。
研究结果
- 参与者：35 名 PD 患者参与研究，1 名因诊断修订、1 名因回答为单字被排除，最终 33 名患者纳入分析。参与者平均年龄 64 ± 7.7 岁，疾病持续时间 10.3 ± 3.4 年，详细人口统计学和临床信息见相关表格。
- ON-OFF 药物状态分类：语义搜索方法使用 “multiqa-mpnet-base-dot-v1” 模型计算文本嵌入，选取前 5 个最相似的 NFS 项目投票，分类准确率达 0.85。机器学习方法中，RF 和 SVM 应用于 “Alibaba-NLP/gte-Qwen2-1.5B-instruct” 文本嵌入时，准确率和 F1 分数为 0.92。LLMs 中的 Gemma-2（9B）和 Llama-3.1（8B）在少样本设置下准确率达 0.98，ROC 曲线下面积（AUC）为 0.99，表现最佳。
- 神经精神状态评分预测：语义搜索方法在考虑前 5 个最相似患者录音时，均方根误差（RMSE）为 14.0。RF 模型以 “Alibaba-NLP/gte-Qwen2-1.5B-instruct” 嵌入为输入，RMSE 为 11.2，平均绝对误差（MAE）为 8.68。LLM “gemma-2-9b” 在 9 次射击设置下，RMSE 为 10.66，MAE 为 8.1，与实际神经精神状态评分相关性最强（Spearman’s ρ=0.81，p<0.001）。
研究结论与讨论
该研究表明，通过分析患者言语内容来预测 PD 患者药物状态和神经精神波动是可行的。LLMs 在分类药物状态和预测神经精神状态评分方面表现出色，但也存在一些问题，如模型解释的可靠性、校准问题等。语义搜索方法虽准确率稍低，但能提供与 NFS 项目相关的补充信息。此外，研究存在样本量较小、评估顺序可能影响结果、NFS 评分未大规模验证、自动转录可能产生幻觉等局限性。
尽管如此，该研究意义重大。它为 PD 治疗效果评估提供了更全面的方法，有望通过移动设备实现远程神经精神症状监测，从而为患者提供更及时、个性化的治疗策略调整，改善患者生活质量，也为后续研究奠定了基础，推动了帕金森病诊疗领域的发展。
