在《自然科学报告》杂志上（shàng）发表的（de）一（yī）篇论文（wén）中，IBM、辉（huī）瑞等公（gōng）司的（de）一项（xiàng）合作（zuò）研究通（tōng）过使用人（rén）工智能分析（xī）人类运动障碍增加时的身体活动（dòng）数（shù）据，在（zài）评估帕金森氏症（zhèng）严重（chóng）程度方面取得了新的进展。该研究模型（xíng）可以精确地指出一个人的帕（pà）金森氏症发展到什么程度（dù）。

合（hé）作者（zhě）开发（fā）了一种无（wú）监督的人工智能技术（shù），可以生（shēng）成关于运（yùn）动质量的测（cè）量数据。研究人员将可穿戴设备上的连续信（xìn）号转换（huàn）成健康受试者（zhě）共有的一系列“音节”，这些（xiē）“音节”成为机器学习运（yùn）动技能的（de）一部分（fèn），不同动作之间共享（xiǎng）子序列。音（yīn）节（jiē）间转换的统计分布是健康（kāng）行（háng）为（wéi）的标志，而（ér）帕金森病患（huàn）者的符号序列是紊乱的。该（gāi）技术正是通过捕捉运动混乱来估计步态损伤（shāng）和帕（pà）金森（sēn）症状的严重程度。

研究人员称（chēng），如果将该技术应（yīng）用到生产中，它将被允（yǔn）许7*24小时检测一个人（rén）的神经（jīng）系统状态，并比较临床（chuáng）环境和家庭中的（de）评估结（jié）果。这与现有的帕金森病诊断（duàn）方法（fǎ）形成（chéng）了鲜（xiān）明对比，比如（rú）运动障碍协会的统一帕金（jīn）森病评分量表通常一年只测（cè）量（liàng）几次，本质上是主（zhǔ）观的，而且主要依赖（lài）患者的自我报告。

在一项补充研（yán）究（jiū）中，研究（jiū）人员还构建了（le）一系列（liè）算法，这些算法考虑到了掩盖帕金森（sēn）病外部症状的因素，例如（rú）可以减轻震颤（chàn）和改善控制力的药物。IBM在（zài）一篇即将发表的博客文章中指（zhǐ）出，由于帕金（jīn）森（sēn）病的生物学基础（chǔ）还没（méi）有完（wán）全被（bèi）了解，医（yī）生通常很难仅仅通过判断外部症状来了解疾病（bìng）的发展程（chéng）度。

此外，尽管这项研究的初始动机是帕金森氏病（bìng），但研究人员希（xī）望它能激（jī）发（fā）对其他疾（jí）病的类（lèi）似探索，如糖尿病、阿尔（ěr）茨海默氏病和肌萎缩侧索硬化(ALS)。尽（jìn）管（guǎn）在慢（màn）性病管（guǎn）理（lǐ）方面取得了许多进（jìn）展，但该领域仍有许多悬而未决的问题。对（duì）慢性病的更好理解（jiě）可（kě）以有助于我们改（gǎi）善对患者护理，并（bìng）通过更好的临床试验来更快、更有效地开发药物。