随着全球人口的老龄化问题日益严重，帕金森病（Parkinson’s Disease, PD）的发病率正在逐年上升，成为继阿尔茨海默病之后的第二大常见神经退行性疾病。预计在未来几年内，帕金森病患者的数量将翻倍，这不仅对患者的健康和生活质量构成了严重威胁，同时也给社会及医疗体系带来了巨大的经济负担。

帕金森病的一个显著症状是面部表情的情绪表达缺陷，因此，面部表情变化成为其早期识别与诊断的重要标准之一。来自四川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）及其面部表情参数与人口统计学特征的贝叶斯网络模型，以预测PD。这一模型的目的是为临床诊断和治疗提供初步依据，并应用于对关注帕金森病面部表情障碍患者的需求与康复。

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。其中，面具脸作为一种早期典型症状，表现为面部表情减少和眨眼异常，源于肌张力增高所造成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方面面临困难，同时在识别他人面部表情时也出现缺陷。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，还可能加重非运动症状，如抑郁与焦虑。

尽管已有研究揭示了帕金森病患者面部表情的变化，其具体如何影响疾病的早期识别与诊断仍不明确。因此，开发基于面部表情分析的早期诊断工具具有重要的临床意义。研究团队招募了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，通过发音测试记录其面部表情，并使用诺达思的面部表情分析系统（FaceReader）分析录制的视频。该系统可自动识别20种常用的面部动作单元，并测量面部两侧的活动强度，准确捕捉被试在发音过程中的微小面部肌肉运动。

实验结果收集了67224个面部表情参数，并详细记录了被试的人口学信息。通过信息增益方法筛选出16个随机变量，用于构建贝叶斯网络模型。最终，基于数据集和不同的音节测试构建了四个贝叶斯网络模型。结果显示，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没有显著差异，但在三种音节测试中面部表情存在显著差异。具体而言，帕金森病组在快乐、惊讶、效价和唤醒度上中值显著低于对照组，而在负面表情（悲伤、愤怒、恐惧和厌恶）的中值显著高于对照组。这一发现进一步证实了帕金森病患者正面表情减少和负面表情增多的现象。

分析贝叶斯网络模型的有效性表明，这些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。这些研究为理解面部表情、人口统计学特征与帕金森病之间的复杂关系提供了有力支持。关键变量中，年龄、教育水平和职业被确定为预测帕金森病概率的重要因素。随着年龄的增长，帕金森病的风险增加；高教育水平和特定职业则可能影响患病风险。

面部表情参数中，“快乐”是单音节、双音节和未分段音节模型中的关键因素，而“唤醒度”在多音节模型中为最佳预测因子。分析不同音节测试中的面部表情变化有助于更准确地预测帕金森病的概率。特别是在单音节发音中产生的恐惧表情对PD概率的影响最大，而多音节发音中的厌恶表情影响最小。这可能与发音的复杂性增加导致的认知负荷上升有关，从而使患者在控制肌肉运动方面面临更多困难。

本研究通过贝叶斯网络模型分析了面部表情变化在帕金森病早期诊断中的潜力，确立了面部表情对PD概率的显著影响。研究表明，使用面部表情分析系统（FaceReader）可以有效揭示患者情绪表达的障碍类型和程度。该系统的高效数据分析能力将为制定个性化的康复治疗方案提供依据。未来的研究可以针对患者情绪表达障碍设计相应的训练和面部肌肉锻炼计划，进一步改善患者的情绪表达和社交互动能力。此外，可扩展样本量并探讨药物影响，以开发基于移动技术的家庭康复工具。比如，可以利用平板电脑上的专用应用程序，结合实时面部表情分析，为患者提供个性化的康复建议。