Nghiên cứu mới mã số arXiv:2608.28602 công bố ngày 1/9/2026 đề xuất giải pháp ứng dụng cảm biến quán tính 3 trục (triaxial IMU) kết hợp các mô hình học máy để phân loại mức độ nghiêm trọng của bệnh Parkinson (PD). Phương pháp này hướng tới việc theo dõi không xâm lấn các triệu chứng vận động đặc trưng bao gồm run rẩy, co cứng cơ, mất thăng bằng tư thế và vận động chậm chạp (bradykinesia), hỗ trợ nhận diện sớm nhằm cải thiện chất lượng sống và quản lý bệnh kịp thời cho bệnh nhân.
Theo báo cáo trên arXiv, hệ thống thu thập dữ liệu chuyển động và độ rung thông qua các cảm biến gia tốc và con quay hồi chuyển đo đạc theo ba chiều không gian X, Y và Z. Những tín hiệu này cung cấp dữ liệu giá trị về các khiếm khuyết vận động rất nhỏ khó nhận biết bằng mắt thường. Nghiên cứu đã đưa vào thử nghiệm so sánh hiệu năng của nhiều thuật toán học máy kinh điển và tăng cường (ensemble learning), bao gồm Hồi quy Logistic (LR), K-Láng giềng gần nhất (KNN), Máy vector hỗ trợ (SVM), Cây quyết định (DT), XGBoost và LightGBM.
Kết quả đánh giá cho thấy mô hình Logistic Regression đạt hiệu suất thấp nhất với mức khoảng 75% trên toàn bộ các chỉ số đo lường, trong khi thuật toán KNN đạt khoảng 90%. Ở nhóm mô hình phức tạp hơn, SVM đạt hiệu quả gần 94%, còn Decision Tree và XGBoost ghi nhận mức độ phân loại chính xác xấp xỉ 96%. Đáng chú ý, mô hình LightGBM cho kết quả vượt trội và ổn định nhất trong toàn bộ thử nghiệm, với độ chính xác (Accuracy), độ chuẩn xác (Precision), độ nhạy (Recall) và điểm F1 đều đạt xấp xỉ 97%.
Kết quả từ bài báo khẳng định tiềm năng ứng dụng của học máy cùng cảm biến đeo không xâm lấn trong việc cung cấp công cụ chẩn đoán định lượng, khách quan thay vì phụ thuộc hoàn toàn vào quan sát lâm sàng truyền thống. Tuy nhiên, nguồn tin chưa công bố chi tiết về quy mô mẫu bệnh nhân tham gia thử nghiệm, vị trí gắn cảm biến IMU cụ thể trên cơ thể cũng như các kết quả kiểm chứng độc lập trên môi trường lâm sàng thực tế.