EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Assessment of change in drug-induced parkinsonism in daily-life gait using vision-based machine learning

Bewertung der Veränderung medikamenteninduzierter Parkinsonismus-Zeichen im Alltagsgang mit visionsbasierter Machine-Learning-Analyse

Benjamin Filtjens iD, Vida Adeli, Soroush Mehraban, Andrea Sabo, Babak Taati, Andrea Iaboni iD

PLOS Digital Health · 15.10.2026 · 5 (10) · e0001780

DOI: 10.1371/journal.pdig.0001780 ↗

Auf einen Blick

Bei 61 Bewohner:innen mit Demenz wurde der Gang per Kamera und Machine Learning rund um Psychopharmaka-Änderungen beobachtet. Eine akute Dosisreduktion/Absetzung von Antipsychotika war mit geringerer vorhergesagter Gangschwere verbunden.

Fragestellung

Hängt eine akute Dosisreduktion oder Absetzung von Antipsychotika bzw. Antidepressiva mit Veränderungen der vorhergesagten Gangschwere zusammen?

Methode

Zentrenübergreifende Kohortenstudie bei 61 Bewohner:innen mit Demenz; Hallway-Gangsequenzen per Decken-Kameras, 3D-Posenschätzung und TabPFN-Klassifikator; Analyse mit linearen Mixed-Effects-Modellen und gepaarten Analysen.

Ergebnisse

Akute Dosisreduktion/Absetzung von AP war mit geringerer Gangschwere assoziiert (β = −0,127; p = 0,022). Für AD zeigte sich kein Zusammenhang (β = −0,060; p = 0,210). Gepaarte Analysen waren nicht signifikant: AP 0,031 (95 %-KI −0,114 bis 0,176), AD −0,021 (95 %-KI −0,098 bis 0,056).

Einschränkungen

Die Befunde sind nur assoziativ. Genannte Gründe für Medikamentenänderungen fehlten und größere prospektive Studien sind nötig.

Schlussfolgerung der Autor:innen

Visionsbasiertes Monitoring erfasste Gangveränderungen um Dosisreduktionen von Psychopharmaka; die Ergebnisse sind jedoch nur assoziativ.

Kernaussagen

  • 61 Bewohner:innen mit Demenz wurden im Alltag per Kamera erfasst.
  • AP-Dosisreduktion/Absetzung war mit geringerer Gangschwere assoziiert.
  • AD-Dosisreduktion/Absetzung zeigte keinen statistisch signifikanten Zusammenhang.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift PLOS Digital Health, online erschienen am 15.10.2026. Verfasst von Benjamin Filtjens und 5 weiteren Autor:innen. Beteiligte Einrichtung: Department of Engineering Systems and Services, Delft University of Technology, Delft, the Netherlands. Die Arbeit nennt 29 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Data Sciences Institute, University of Toronto, Canadian Institutes of Health Research.

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Drug-induced parkinsonism is a potentially reversible movement disorder that may be subtle and difficult to monitor in residential dementia care. Vision-based machine learning analysis of gait may provide unobtrusive longitudinal monitoring around medication changes. We conducted a two-center cohort study of 61 residents with dementia receiving psychotropic medication. Hallway gait sequences were recorded using ceiling-mounted cameras and converted to three-dimensional body pose. A TabPFN classifier estimated UPDRS-III item 29 gait severity for each walk. We evaluated associations between acute antipsychotic (AP) and antidepressant (AD) dose reduction/cessation ( ≥ 50% dose reduction or cessation, 0–21 days after change) and daily mean predicted gait severity using linear mixed-effects models in ever-exposed participants, with complementary equal-weight paired analyses among participants observed in both medication states. In mixed-effects models, acute AP dose reduction/cessation was associated with lower predicted gait severity ( β = − 0.127 , p = 0.022), whereas AD dose reduction/cessation was not ( β = − 0.060 , p = 0.210). Equal-weight paired analyses found no statistically significant participant-average within-person change among paired participants (AP mean change = 0.031, 95% CI [ − 0.114 , 0.176], p = 0.653; AD mean change = − 0.021 , 95% CI [ − 0.098 , 0.056], p = 0.575), consistent with heterogeneous individual responses. Vision-based monitoring captured within-participant gait variation around psychotropic dose-reduction periods, but findings are associative. Larger prospective studies with documented reasons for medication changes are needed before using such monitoring to guide medication decisions.

Autor:innen und Institutionen

  • Department of Engineering Systems and Services, Delft University of Technology, Delft, the Netherlands.
  • Institute for Health Systems Science, Delft University of Technology, Delft, the Netherlands.
  • KITE Research Institute, University Health Network, Toronto, Ontario, Canada.
  • Vector Institute, Toronto, Ontario, Canada.
  • Department of Computer Science, University of Toronto, Toronto, Ontario, Canada.
  • Institute of Biomedical Engineering, University of Toronto, Toronto, Ontario, Canada.

ORCID-Profile: Benjamin Filtjens, Andrea Iaboni

Förderung

  • Data Sciences Institute, University of Toronto
  • Canadian Institutes of Health Research

Zitieren

APA

Filtjens, B., Adeli, V., Mehraban, S., Sabo, A., Taati, B., & Iaboni, A. (2026). Assessment of change in drug-induced parkinsonism in daily-life gait using vision-based machine learning. PLOS Digital Health, 5(10), e0001780. https://doi.org/10.1371/journal.pdig.0001780

Vancouver

Filtjens B, Adeli V, Mehraban S, Sabo A, Taati B, Iaboni A. Assessment of change in drug-induced parkinsonism in daily-life gait using vision-based machine learning. PLOS Digital Health. 2026;5(10):e0001780. doi:10.1371/journal.pdig.0001780

BibTeX
@article{Filtjens2026,
  author = {Filtjens, Benjamin and Adeli, Vida and Mehraban, Soroush and Sabo, Andrea and Taati, Babak and Iaboni, Andrea},
  title = {Assessment of change in drug-induced parkinsonism in daily-life gait using vision-based machine learning},
  journal = {PLOS Digital Health},
  year = {2026},
  volume = {5},
  number = {10},
  pages = {e0001780},
  doi = {10.1371/journal.pdig.0001780}
}
Kostenlos starten →