麻省理工学院研究人员训练神经网络，借由分析睡眠时的呼吸模式，来发现受试者是否患有帕金森氏症。这项研究已经发布于《自然医学》期刊中，有望之后能早期检测出帕金森氏症患者，使患者能够更早地接受治疗。
研究人员提到，由于帕金森氏症与呼吸信号之间存在高维度且复杂的关联，通过机器学习技术，能够发展出可靠且方便的检测方式。帕金森氏症是目前全球增长最快速的神经系统疾病，全世界约有1,000万人患帕金森氏症，但是目前仍却不容易诊断，缺乏一种可以快速且明确诊断的方法。
帕金森氏症是一种会持续恶化的疾病，通常从轻微的手部颤抖等轻微症状开始，并且逐渐影响神经系统，最终会无法控制行动、颤抖和平衡，随着时间的推移，还可能丧失语言能力，并且失去脸部表情。
医生依赖各种症状和病史来判断帕金森氏症，研究人员提到，目前有研究发现，控制患者呼吸区域的脑干，会比其他运动技能区域早数年开始退化，因此可能可作为该疾病的早期诊断指标。研究人员运用人工智能技术，通过侦测模式来诊断帕金森氏症。
研究资料集抽样757位帕金森氏症患者和6,914名对照受试者，共有11,964个晚上120,000小时的总睡眠时间资料，用于PyTorch深度学习框架训练神经网络模型。这些资料来自研究人员所开发的无线电发射器，该设备外观类似Wi-Fi路由器，通过发射无线电波来捕捉环境变化，包括受试者胸口的起伏，神经网络模型能够分析电磁波信号，来判断对象是否患有帕金森氏症。
该方法能够以80%准确度诊断出帕金森氏症，以及82%的准确度分辨非帕金森氏症，同时，该算法还能判断帕金森氏症的严重程度关注病情发展。