Wearable-Based Assessment of Parkinson’s Disease: insights from the Verily Study Watch Dataset

Parkinson’s Disease (PD) is a complex neurodegenerative disorder traditionally monitored through episodic and subjective clinical assessments. The advent of wearable technologies offers a paradigm shift, enabling the objective and continuous evaluation of motor symptoms directly in free-living conditions. The primary objective of this thesis is to develop and validate a comprehensive methodological framework for the extraction, selection, and classification of digital motor biomarkers derived from raw inertial data acquired through a wrist-worn sensor. Specifically, the study aims to evaluate the concurrent validity of these features and to evaluate their ability to accurately classify PD patients from healthy controls, thereby contributing to the development of a robust continuous monitoring strategy. To achieve this goal, real-world data from the Parkinson’s Progression Markers Initiative (PPMI) wearable sub-study were analyzed. The implemented pipeline involves the extraction of multidimensional features across key motor domains, including tremor, bradykinesia, gait kinematics, and overall physical activity. Following a rigorous statistical screening designed to isolate the most reliable and discriminative metrics, the selected features were used to train and validate interpretable Machine Learning models. Finally, correlation analyses with standardized clinical scores were conducted to evaluate the clinical relevance of the selected biomarkers. The results demonstrate the effectiveness of the proposed approach: the developed pipeline successfully identified a coherent digital motor signature capable of discriminating PD patients from HC with high accuracy. Beyond raw classification performance, this works translated the extracted metrics into clinical insights: by demonstrating associations between specific inertial features and established clinical scores, the study shows that these digital biomarkers reflect the real world severity of core PD motor domains. In conclusion, this work demonstrates that the integration of wrist-worn sensors with a rigorous computational pipeline may represent a reliable system for continuous, objective, and personalized monitoring of PD.

La malattia di Parkinson (PD) è un disturbo neurodegenerativo complesso, tradizionalmente monitorato attraverso valutazioni cliniche episodiche e soggettive. L’avvento delle tecnologie indossabili offre un grande cambiamento, consentendo la valutazione oggettiva e continua dei sintomi motori direttamente in condizioni di vita quotidiana . L’obiettivo primario di questa tesi è sviluppare e validare un quadro metodologico completo per l’estrazione, la selezione e la classificazione di biomarcatori motori digitali derivati da dati inerziali grezzi, acquisiti tramite un sensore da polso. Nello specifico, lo studio mira a valutare la validità concorrente di tali caratteristiche e la loro capacità di classificare accuratamente i pazienti affetti da Parkinson rispetto ai controlli sani, contribuendo così allo sviluppo di una strategia di monitoraggio continuo e robusta. Per raggiungere questo obiettivo, sono stati analizzati dati reali provenienti dal sotto-studio sui dispositivi indossabili della Parkinson’s Progression Markers Initiative (PPMI). La pipeline implementata prevede l’estrazione di caratteristiche multidimensionali attraverso i principali domini motori, tra cui tremore, bradicinesia, cinematica del cammino e attività fisica globale. In seguito a uno rigoroso screening statistico volto a isolare le metriche più affidabili e discriminanti, le caratteristiche selezionate sono state utilizzate per addestrare e validare modelli di Machine Learning interpretabili. Infine, sono state condotte analisi di correlazione con i punteggi clinici standardizzati per valutare la rilevanza clinica dei biomarcatori selezionati. I risultati dimostrano l’efficacia dell’approccio proposto: la pipeline sviluppata ha identificato con successo una firma motoria digitale coerente, in grado di distinguere i pazienti PD dai controlli sani con un’elevata accuratezza. Al di là delle prestazioni di classificazione, questo lavoro ha tradotto le metriche estratte in approfondimenti clinici: dimostrando l’associazione tra specifiche caratteristiche inerziali e i punteggi clinici stabiliti, lo studio evidenzia come questi biomarcatori digitali riflettano la gravità reale dei principali domini motori della malattia. In conclusione, questo lavoro dimostra che l’integrazione di sensori da polso con una rigorosa pipeline computazionale può rappresentare un affidabile sistema per il monitoraggio continuo e oggettivo del Parkinson.