随着全球人口老龄化的加剧，帕金森病（Parkinson’s Disease, PD）的发病率逐年上升，已成为继阿尔茨海默病之后的第二大常见神经退行性疾病。未来几年内，帕金森病的患者数量预计将翻倍，这不仅对患者的健康和生活质量构成严重威胁，也为社会和医疗体系带来了巨大的经济负担。

帕金森病的一个重要症状是面部表情的情绪表达缺陷，因此面部表情的变化成为早期识别与诊断的关键标准之一。来自成都医学院的研究团队提出了一种基于面部表情分析系统（FaceReader）和人口统计学特征的贝叶斯网络模型，用以预测PD，旨在为临床诊断和治疗提供初步依据，并满足对关心帕金森病患者面部表情障碍的需求和康复。

帕金森病的主要临床表现包括震颤、肌强直、运动迟缓、姿势不稳以及“面具脸”（hypomimia）等症状。作为早期典型症状之一，“面具脸”表现为面部表情减少和眨眼异常，主要由于肌张力增高导致的面部肌肉活动受限。研究显示，帕金森病患者在表达基本情绪和识别他人面部表情方面均存在困难，这种情绪识别与表达的障碍不仅影响患者的社交互动与心理健康，还可能加重疾病的非运动症状，如抑郁和焦虑。

尽管已有研究揭示了帕金森病患者面部表情的变化，但这些变化如何具体影响疾病的早期识别和诊断尚不明确。因此，开发一种基于面部表情分析的早期诊断工具将具有重要的临床意义和应用前景。实验共招募了来自成都医学院第一附属医院的18名帕金森病患者和18名健康对照者。被试需进行发音测试，同时使用电脑的前置摄像头记录面部表情。

使用诺达思的面部表情分析系统（FaceReader）对录制视频片段进行分析，能够自动识别20种常用面部动作单元，并测量面部两侧的活动强度，以精准捕捉被试在发音过程中面部肌肉的微小运动。实验中共收集67224个面部表情参数，并详细记录被试的人口学信息。最终，筛选出性别、年龄、饮酒、吸烟、职业等关键变量来构建贝叶斯网络模型。

结果表明，帕金森病组与对照组在性别、年龄、饮酒、吸烟、职业和教育水平方面无显著差异，但在三种音节测试中的面部表情存在显著差异。具体来说，帕金森病组的快乐、惊讶等正面情绪的中值显著低于对照组，而负面情绪（如悲伤、愤怒、恐惧和厌恶）的中值显著高于对照组。这一发现与过往研究结果一致，进一步确认了帕金森病患者面部表情变化的特征。

分析贝叶斯网络模型的有效性，结果显示四个模型的敏感度、特异度和曲线下面积（AUC）均接近0.96，表明基于面部表情和人口统计学特征的贝叶斯网络模型在预测帕金森病概率方面具有较高的准确性和可靠性。此外，筛选出的关键变量中，年龄、教育水平和职业是预测帕金森病概率的主要因素。

通过分析不同音节测试中面部表情的变化，可以更准确地预测帕金森病的概率。同时，理解不同发音复杂性下患者认知负荷和运动规划的需求，有助于开发更有效的康复方案。研究结论指出，使用尊龙凯时的面部表情分析系统（FaceReader）揭示患者情绪表达障碍的类型和程度，为制定个性化康复治疗方案提供了有力支持。

未来的研究可以针对患者情绪表达障碍的类型，设计相应的情绪训练和面部肌肉锻炼计划，以改善患者的情绪表达和社交互动能力。同时，扩充样本量、探讨药物影响及开发基于移动技术的家庭康复工具，也是未来研究的重要方向。尊龙凯时致力于为患者提供更全面的康复支持。