在《自然科（kē）学报告》杂志上发表的（de）一篇（piān）论（lùn）文中，IBM、辉瑞等公司的一（yī）项合作研究通过使（shǐ）用人工智（zhì）能分析人（rén）类运动障碍增加时的身体活动（dòng）数据，在评估（gū）帕金森（sēn）氏症（zhèng）严重程（chéng）度方面取（qǔ）得了新的进展。该（gāi）研究（jiū）模型可以精确（què）地指出一个人的帕金森氏症发展到什么程度。

合作者（zhě）开发了一种无监督（dū）的（de）人（rén）工智能（néng）技术，可以（yǐ）生成（chéng）关（guān）于运（yùn）动质（zhì）量的测量数据。研究人员将可穿戴设备上的（de）连续信号转换成健康受试者（zhě）共有的一系列“音节（jiē）”，这些“音节”成为机器学习运动技能的一部分，不同动作之间（jiān）共享子序列。音（yīn）节间转换的统计分布是（shì）健康行为（wéi）的标志，而帕（pà）金（jīn）森病患者的符（fú）号序列是紊乱的。该技术正是通（tōng）过捕捉（zhuō）运动混乱来估计步态损伤（shāng）和（hé）帕金（jīn）森症状的（de）严重（chóng）程（chéng）度。

研究人员称，如果（guǒ）将该技术应（yīng）用到（dào）生产中，它将被允（yǔn）许7*24小时检测一个人的神经系统状态，并比较临床环境和家庭中的评估结果（guǒ）。这与现有的帕（pà）金森病诊断（duàn）方法形成了（le）鲜明（míng）对（duì）比，比如（rú）运动障碍协会的统一（yī）帕（pà）金森病评分量表通常一年只（zhī）测量几次，本质上是主观的（de），而且主要（yào）依赖患者的自我报告。

在一项补充（chōng）研究中，研究人员还构建了一系列算（suàn）法，这些算法（fǎ）考虑到了掩盖帕金森病外部症（zhèng）状的因素，例如（rú）可以减（jiǎn）轻震颤和改善控（kòng）制力的（de）药物。IBM在一篇即将发表的博客（kè）文章中（zhōng）指出，由于帕金森病的生物（wù）学基础还没有完全被了解，医生通常（cháng）很难仅（jǐn）仅通过判断外部症状来了解疾病的发展（zhǎn）程度。

此外，尽管这项研究（jiū）的初始动机是帕金森氏病，但研究人员希（xī）望它能激发对其他疾（jí）病的类似探索，如糖（táng）尿病、阿（ā）尔茨海默（mò）氏病（bìng）和肌萎缩（suō）侧（cè）索硬化（huà）(ALS)。尽管在慢性病管理方面取得了许多（duō）进（jìn）展，但该领域仍有许多悬而未决的问题。对慢性（xìng）病的更（gèng）好（hǎo）理解可以有助（zhù）于我们改善对患者护理，并（bìng）通过更好的（de）临床（chuáng）试验来（lái）更快、更有（yǒu）效地开发药物。