Summary
Et objektivt mål for muskel funktioner er udfordrende især hos børn. Baseret på et kommercielt tilgængelige digitale 3D-sensor, blev en børne-gaming test udviklet for at vurdere overekstremiteterne funktion for kliniske forsøg.
Abstract
Progressive og irreversibel muskelatrofi karakteriserer Spinal muskelatrofi (SMA) og andre lignende muskel uorden sygdomme. Objektiv vurdering af muskel funktioner er en væsentlige og vigtige, selv om udfordrende, forudsætning for vellykket kliniske forsøg. Aktuelle klinisk rating scales begrænse bevægelse abnormaliteter for visse foruddefinerede grovkornede individuelle poster. Kinect-3D-sensoren er opstået som en billig og transportabel bevægelse sensing teknologi, der anvendes til opsamling og spor folks bevægelighed i mange medicinske og forskningsområder. En ny tilgang ved hjælp af denne 3D-sensor er udviklet og et spil-lignende test var designet til objektivt at måle funktionen øvre lemmer af patienter med SMA. Prototype test målrettet fælles bevægelse kapacitet. Mens du sidder i en virtuel scene, var patienten instrueres i at udvide, flex, og løft den hele armen for at nå og placere nogle objekter. Både kinematiske og spatiotemporelle Karakteristik af overekstremiteterne bevægelse blev ekstraheret og analyseret, f.eks., albue udvidelse og fleksion vinkler, hånd hastighed og acceleration. Den første undersøgelse inkluderet en lille kohorte af 18 specialistbehand SMA patienter og 19 alder - og køn-matchede raske kontrolpersoner. En omfattende analyse af arm bevægelse blev opnået; dog fandtes ingen signifikant forskel mellem grupperne på grund af uoverenstemmende af patientens evne og test vanskeligheder. Baseret på denne oplevelse, en anden version af testen består af en modificeret version af det første spil med stigende vanskeligheder og en anden målretning muskel udholdenhed var designet og implementeret. Den nye test er endnu ikke blevet gennemført i alle patientgrupper. Vores arbejde har påvist potentielle mulighed for 3D-sensoren i vurderingen af sådanne muskelfunktion og foreslog en objektiv tilgang for at supplere de kliniske rating scales.
Introduction
Omfattende vurdering af muskelfunktion er en kritisk evaluering i mange neuromuskulære sygdomme og en vigtig forudsætning for vellykket kliniske forsøg. Kliniske rating skalaer anvendes i stigende grad som en standardiseret Vurderingsværktøjet og som en veletableret resultat måle1. Men de er stærkt afhængige af den subjektive dom af klinikerne og kan resultere i betydelige variationer fører til inter - og intra-Scoringssætter inkonsekvens2 eller genereret tal, der ikke opfylder kriterierne for præcise målinger1. Derudover mange neuromuskulære sygdomme i høj grad påvirker børn og de fleste af disse rating skalaer er lange og kedelige, der pålægger ekstra udfordringer. Et eksempel på en neuromuskulær sygdom er Spinal muskelatrofi (SMA), som er en fatal neuromuskulær sygdom karakteriseret ved progressiv muskel svaghed3. Afhængigt af den kliniske fænotyper, nogle patienter leve med kørestole (type 2), og nogle kan stå og gå synsstyrke (type 3)4. Der er en stigende efterspørgsel efter en mere følsom og objektive vurderingsværktøj til at måle muskelfunktion i form af fælles bevægelsesområde, muskelstyrke, muskeltræthed og så videre, for at spore sygdomsprogression og medicin effektivitet.
Den hurtige fremskridt i bevægelse sensing teknologi har gjort det muligt at analysere bevægelse karakteristika ved relativt lave omkostninger, blandt hvilke værdien af den 3D-sensor (Kinect) erobre hele kroppen bevægelse i en markør-fri måde er blevet bredt undersøgt. Ved hjælp af den integrerede infrarøde sensor og implementerede machine learning algoritmer, er kroppen placeringer af de registrerede personer udledes gennem de 3-dimensionelle positioner af 20 anatomiske landemærker kaldet kroppen samlinger eller punkter, herunder hoved, hals, hænder, håndled, albuer, skuldre, ryg, hofter, knæ, ankler, og fødder5. Den tidsmæssige opløsning er op til 30 Hz, som er tilstrækkelig til de fleste fysiske bevægelse med undtagelse af nogle patologiske motoriske symptomer såsom rysten. Den rumlige nøjagtigheden af 3D-sensoren er blevet valideret udførligt med jorden sandheden6 eller guld-standard, som er en markør-baserede 3-dimensionel bevægelse analyse system7,8,9,10 ,11,12. God samtidige gyldighed og reproducerbarhed er blevet afsløret af forskellige tests, især fra frontalt Se12 og til brutto bevægelser7. For at objektivt vurdere funktionen øvre lemmer for børn med SMA, vi designet og implementeret en spil-lignende test baseret på en 3D-sensor til at måle kapaciteten af fælles bevægelse.
Protocol
Testen blev udført i et observationsstudie, langsgående studie på Universitet children's Hospital i Basel (UKBB) med både voksne og børn. Flere demografiske og kliniske oplysninger om undersøgelsen kan findes i den forrige publikation13,14. Alle procedurer er blevet godkendt af det lokale etiske udvalg Ethikkomission UKBB og gennemføres i henhold til de principper, der er udtrykt i Helsinki-erklæringen. Skriftlig informeret samtykke og overholdelse af undersøgelse protokollen ifølge internationale konference om harmonisering (ICH) og lokale bestemmelser blev leveret af alle fag eller lovligt autoriserede repræsentanter for børn under en alder af juridisk samtykke.
Bemærk: En prototype spil "Klædeskab" med henblik på måling af leddene vifte af bevægelse var designet og implementeret. Det blev derefter eksporteres som en eksekverbare program, der kan køre på enhver Windows 8 eller højere operativsystem, så længe de nødvendige 3D-sensor drivere installeres også. Prototype spil baseret på Kinect-sensoren v1 eller den anden version (Se diskussion) baseret på Kinect sensor v2 kan leveres på anmodning (Se supplerende kodning filer).
1. opsætning og forberedelse til testen
- Installere den 3D-sensor (fx., Kinect) drivere og de designet program på computeren.
- Anbring computeren på en egnet overflade, som en tabel, med en højde på 0,5 - 1 meter.
- Placer 3D-enheden også på den samme overflade justeret til midten af computeren, så højden af den 3D-kamera er fastsat af tabellen om 0,5 - 1 meter over jorden. Justere elevation vinkel af 3D-sensoren manuelt efter behov for at hente korrekt emnet (Se 2.4.2 nedenfor).
- Tilslut alle kabler korrekt, herunder 3D-adapteren til computeren, og netledningen til strømforsyningen.
- Placer en højde-justerbar stol foran bordet med computeren og 3D-sensoren på omkring 2 meter.
2. gennemførelse af testen
- Starte computeren og tænde for lyden til en optimal volumen. Hvis automatiske datatransmission ønskes, Sørg for internettet er forbundet.
- Instruere emnet til at sidde på stolen.
- Starter programmet på computeren og Indtast emne-ID på den første side.
- Klik på knappen "START" på den første side til at indgå i den anden side, som viser "Klædeskab" spil:
- Bemærk den skelet figur (kun overkroppen) på den skærm, som repræsenterer kroppen af genstand foran et stort garderobeskab. Når tallet ikke er set, instruere emnet bølge og flytte frem og tilbage hvis han er i en kørestol eller stå indtil den 3D-sensor fanger personen.
- Læs vejledningen på skærmen og justere den afstand, højde og sideleje af stolen og emnet i overensstemmelse hermed indtil alle instruktionerne er med grøn skrift.
NOTE: Afstand, højde og sideleje af stolen kan justeres med emnet selv eller en hjælper, der skal træde ud af feltet bagefter. Hvis den optimale højde ikke opnås, manuelt justere elevation vinkel af den 3D-kamera. Den optimale position er 2 meter væk fra enheden, med halsen af emnet vises midt på skærmen. - Tryk på knappen tog at starte træningspasset uden registrering af data.
Bemærk: Hvis emnet allerede er bekendt med spillet og kender hvad de skal gøre, tryk på knappen START direkte og springe træningen. - Lad emnet Følg instruktionerne på skærmen og udføre de følgende bevægelser:
- Udvide den anmodede arm (højre eller venstre) for at nå det flimrende virtuelle objekt, indtil objektet er i virtuel hånden.
- Bøj den samme arm og fysisk røre de angivne punkter på kroppen for at placere objektet.
- Fortsat udvidelse og fleksion armbevægelser, indtil alle 20 genstande er nået og placeret.
Bemærk: Der er to runder med 10 objekter i hver runde. Inden for en runde er der 5 objekter på højre side, der kræver den højre arm, efterfulgt af 5 objekter i venstre side som venstre arm er bedt om. Dette afslutter oplæring samlingen.
- Tryk på knappen "START" for at udføre de samme opgaver igen fra begyndelsen, som i trin 2.4.3, men denne tidsregistreringen placeringer af de 9 overkroppen punkter i en krypteret fil. Spillet slutter automatisk ved enten placere alle 20 genstande, eller når de foruddefinerede tid (4 min) løber ud.
Bemærk: Det er også muligt at forlade spillet når som helst i tilfælde af emnet er for svagt eller nogen andre situationer ske.
- Indgå de sidste side automatisk som viser en edderkop plot med angivelse af leddene spænder fra spillets "Klædeskab".
- Afslutte spillet ved at trykke på Afslut -knappen eller Gentag testen ved at trykke på knappen Gentag .
3. efter test - data, håndtering
- Gem optaget og krypterede data og logfiler på harddisken, og valgfrit overføre via internettet til en data-analytiker. En detaljeret beskrivelse af datahåndtering og analyse har været givet i en tidligere publikation13.
- Bekræfte den fuldstændighed og validiteten af dataene ved at kontrollere logfilen og sammenligne kliniske rapporter med 3D-posterne.
- Beregne og udtrække 27 bevægelse karakteristika som numeriske funktioner som fælles vinkler, hastighed og acceleration, hånd lysvej, kroppen kompensation bevægelse, nås plads og så videre.
- Beregne, plot og vælg Egenskaber for at forstå og fortolke 3D-sensor dataene såvel som for den følgende statistiske analyse.
- Udføre PCA (Principal Component Analysis), ANOVA (analyse af varians), korrelation analyse og lineær blandet effekt modeller som statistisk analyse.
Representative Results
Ved hjælp af den procedure, der er præsenteret ovenfor, forskellige bevægelse funktioner er afbildet og analyse metoder udforskes for at opnå en omfattende forståelse af bevægelser.
I figur 1afbildes spor fra punkterne 9 overkroppen begrænser til X- og Y akser, som repræsenterer en 2-dimensionelle projektion (X repræsenterer vandrette placering af emnet, Y repræsenterer lodret position mens Z er afstanden til 3-D sensor). Figur 1 viser hvad 3D-sensoren faktisk foranstaltninger, de rumlige steder af kroppen point. Af sammenstiller en SMA patient og en sund kontrol over de 4 besøg, er det vist, at både patienten og kontrolelementet fuldførte opgaver med tydeligt genkendelige baner. Der var visse emne-afhængige egenskaber, der opholdt sig konsekvent over alle besøg, fx, bane i hænderne på patienten. Til sammenligning havde kontrol genstand relativt mindre trunk bevægelse over tid, som er angivet af de mindre skarer af røde, gule og lyserøde linjer (hoved, hals og torso påpeger, henholdsvis). Ingen af de to emner viste nogen usymmetrisk bevægelse funktioner.
Figur 2 viser nogle repræsentant funktioner udvundet af tidsserierne steder af kroppen point. I forhold til figur 1, giver figur 2 en idé om hvilke potentielle oplysninger kunne udvindes og visualiseret fra rå 3-D sensordata for at forstå de underliggende bevægelse egenskaber. Figur 2 en er en segmenteret hænder trace plot der angiver albue udvidelse og fleksion faser af to runder fra et enkelt emne. Bane ligner sig selv ganske godt mellem de to runder. For de tre nederste objekter, begge hænder har tendens til at vidtgående, men dette er ikke tilfældet for de øverste to objekter. Figur 2 b observationsområder histogrammet af hånd hastigheder (mens hånden omflytning; den hvilende tilstand er udelukket). Der er ingen væsentlig forskel mellem venstre og højre hånd for dette emne. Figur 2 c viser den samlede sti længder af hoved, hals og torso punkter, der kan betragtes som en form for stammen kompensation bevægelse pr. objekt position. For objekter, 3 og 8, som er placeret på de højere hjørne, trunk bevægelse er relativt større i forhold til de andre holdninger. Desuden, hovedet er flyttet mere klart end de to andre punkter. Tal 2d, 2e, og 2f er boxplots viser den samlede fordeling fra alle 4 besøg for nogle funktioner. Kun de første syv patienter med alle 4 besøg er vist for klarhed. Figur 2 d viser den samlede hånd stilængde divideret med den individuelle arm længde målt af sensoren for at kompensere for indbyrdes underlagt arm længde forskel. Under bevægelser udført for at nå og placere objekter, er hånd stilængde omkring to gange arm længden for et objekt; Derfor, for 20 genstande den samlede stilængde er omkring 40 gange arm længde. Indlysende Inter underlagt forskelle overholdes, for eksempel, trunk kompensation bevægelse mellem patienter 2 og 3 (figur 2e) eller median hånd hastighed mellem patienter 1 og 3 (figur 2f).
Fuld klinisk relateret analyse og resultater kan findes i vores tidligere publikation13.
Figur 1 : Repræsentant trace parceller af punkterne 9 overkroppen under test De øverste 4 parceller er fra en SMA patient og de nederste 4 er fra en sund kontrol. Dette tal er blevet ændret fra vores tidligere publikation13. Venligst klik her for at se en større version af dette tal.
Figur 2 : Repræsentant sammenfattende analyseresultater: (a), (b), (c) er fra en enkelt emne og (d), (e), (f) er oversigten fra de første 7 SMA patienter med komplet 4 besøg. I (d), (e), og (f), bunden og toppen af boksen er de første og tredje kvartiler, og den vandrette linje inde i boksen er medianen. Længder af whiskers (udvide lodrette linjer fra boksen) er defineret som den laveste punkt inden for 1,5 interkvartil intervaller (IQR) af den nedre kvartil, og det højeste punkt i 1,5 IQR på den øvre kvartil. Diamanter repræsenterer outliers udenfor knurhår. (a) segmenterede hænder trace plot. Solid linjer repræsenterer albue udvidelse fase når hænderne kommer for objekterne mens stiplede linjer repræsenterer albue fleksion fase når hænderne placere objekter på kroppen. Hver farve repræsenterer objekter på den samme holdning fra de to runder. b histogram af hånd hastighed under de udvidelse og fleksion bevægelser. c den samlede erstatning bevægelse længder fra hoved, hals og torso point for hvert enkelt objekt. (d) Boxplot samlede hånd bane vej længde for højre og venstre hænder henholdsvis mere end 4 besøg. Y-aksen viser den samlede hånd sti længder divideret med den individuelle arm længder. (e) Boxplot samlede trunk kompensation bevægelse herunder hoved, hals og torso point for bevægelse fra højre og venstre side bevægelse henholdsvis mere end 4 besøg. f Boxplot af median hånd hastighed i bevægelsen for højre og venstre hænder henholdsvis mere end 4 besøg. Venligst klik her for at se en større version af dette tal.
Discussion
Den foreslåede Kinect-baseret vurdering forudsat en objektiv og omfattende bevægelse analyse samtidig en børnevenlig, billig og transportabel løsning med hensyn til den traditionelle kliniske rating scales eller sofistikeret markør-baseret video systemer. Med en gaming-test, der varede i mindre end 5 minutter, flere krop punkter var intensivt undersøgt på samme tid, og mange spatiotemporelle og kinematiske egenskaber blev analyseret med stor nøjagtighed herunder hastighed, fælles vinkler og så videre. Hele set-up og uddannelsesindsatsen blev også meget mindre krævende i forhold til rating scales eller videosystemer.
Den mest kritiske trin i denne fremgangsmåde var test-design. For at fange de underliggende bevægelse symptomer, skal designet opgaven dække den tilsvarende kapacitet spektrum og undgå gulv eller loft effekter. I eksemplet med dette specifikt indikationsudvidelse omfatter de almindelige fysiske symptomer på SMA muskelsvaghed, begrænset fælles udvalg, muskelstivhed, træthed, og så videre. Den foreslåede test er hensigtsmæssig for disse symptomer, der involverer den begrænset fælles udvalg, som var typiske for SMA type 2 patienter. Prototypen blev desværre kun testet som et første forsøg i en planlagt undersøgelse, der ansættes kun SMA type 3 patienter. Da kapacitet af disse patienter var over hvilken den aktuelle test kunne måle (loft effekt), kunne ikke opnås de ønskede resultater. For denne specialistbehand patientgruppe, ville muskel træthed og krop overførsel være en bedre foranstaltning.
Baseret på denne oplevelse, en anden version af testen består af en modificeret version af "Klædeskab" spil og et ekstra "Båd-roning" spil er designet. Den ændrede version af "Klædeskab" spillet har tre sværhedsgrader. I det første niveau placeret objekterne i nærheden af kroppen, så emnet ikke skal fuldt udvide arm, hvilke mål de svage patientgruppe, der kan kun sidder i kørestolen og ikke fuldt udvide deres våben uden støtte. I det andet niveau, er at objekter placeret på afstand af hele arm længde, som er rettet mod den patientgruppe, der kan løfte og forlænge arme uden støtte. I de mest vanskelige niveau, er objekterne placeret lidt ud af rækken arm; emnet må derfor flytte øverste stammen som en udvidelse. Det tredje niveau er rettet mod den specialistbehand patientgruppe hvor den aksiale og proksimale bevægelse måles også. I den positionering fase af spillet, arm længde af emnet automatisk måles og derefter bruges til at beregne placeringen af objekterne i de følgende spil; sværhedsgrader er derfor automatisk tilpasset den enkeltes evne. Når kapacitet grænsen for enkelte er nået og objekterne ikke nået eller placeret, vil niveauet hoppet enten automatisk efter en vis tid, eller manuelt af operatøren ved at trykke på knappen "SKIP" på skærmen. "Båd-roning" spillet mål muskel udholdenhed og det kræver emne at gentage en arm rullende bevægelse så hurtigt som muligt i 1 minut. I en kommende undersøgelse, er den anden version bestemt til at dække den patient spektrum fra SMA type 2 til type 3, da opgaverne måle evne af patienter med begrænset arm bevægelse evne til patienter med fuld arm funktion og begrænset aksial bevægelse.
Anden siden af test-design er hensynet til gulvet effekt. På grund af den begrænsede rumlige og tidsmæssige opløsning er 3D-sensoren bare købedygtig fange præcist brutto bevægelser ligesom walking, arm vinker, og så videre. Til fine bevægelse er opdagelse, herunder figur aflytning eller hånd drejning, mere følsomme digitale enheder såsom mobiltelefoner eller håndled wearables påkrævet. Som omtalt, er nøglen til succes i sådan et program til at opbygge det rigtige match mellem underliggende sygdomssymptomer, enhedsfunktioner og designede opgave.
Nogle andre overvejelser i test-design omfatter aldersgruppe, learning virkningen, sprog og så videre. Da SMA rammer hovedsageligt børn, bør testen være så enkle og overskuelige som muligt samtidig opretholde en attraktiv gamification træk. I vores design, blev tegneserie figurer og håndtegnede objekter brugt. Opgaven efterlignede den selvstændige omklædningsrum adfærd, som er normalt opkøbt af børn efter to eller tre år. Bevægelserne blev holdt enkle emner kunne forstå og udføre testen efter en kort uddannelse fase og læring effekter blev undgået, der var målt og drøftet i vores tidligere publikation13.
Når du udfører forsøgsprotokollen og dataanalyse, kan nogle problemer opstå tilsvarende til andre 3D-sensor programmer. Disse spørgsmål omfatter solskin indblanding, specielt tøj, mere end ét emne i synsfeltet, og uregelmæssige prøvetidspunkter. Vi fandt et tilfælde hvor en genstand i sort tøj ikke blev opdaget af 3D-sensoren i et solrigt rum, selv når emnet ikke var direkte i solen. Når mere end ét emne vises og forsvinder fra synsfelt, tildeling af id-numre til opdaget skeletter kan hoppe, hvilke byrder analysen. Selv om den 3D-sensor output signal frekvens på 30 Hz i teori, den faktiske output kan have huller i op til 100 ms. derfor, det er vigtigt at spore og eksportere tidsstemplet.
Vores første test blev udført på den første version af 3D-sensor, som i øjeblikket er blevet erstattet af en anden version, og vores ændrede version er implementeret baseret på denne anden version. Mellem versioner, de underliggende drivere er forskellige, og også den overførelse grænseflade (API) er blevet ændret. Der er ingen andre betydelige forskelle under overflytning af ansøgningen. Da begge programversioner kan leveres frit efter anmodning af forfatterne og sensor-drivere kan downloades fra webstedet Kinect, er det ingen bekymring for brugeren.
Bruge 3D-sensoren, udviklet vi en nyskabende, kvantitative og objektive øvre ende funktion Vurderingsværktøjet indarbejde børnevenlige spil-lignende teknologi. Muligheden blev udforsket og analyseret. Vores arbejde demonstreret den potentielle effekt af 3D-sensor som en alternativ og komplementær tilgang til vurdering af bevægelse.
Disclosures
Forfatterne Xing Chen, Detlef Wolf, Juliane Siebourg-Polster, Christian tjekkisk, Omar Khwaja og Martin Strahm er medarbejdere i F. Hoffmann-La Roche, som finansierede alle forskning i denne artikel.
Acknowledgments
Vi takker Bastian Strahm for at deltage i test demonstration og Laura Aguiar til korrekturlæsning af dette manuskript.
Materials
| Name | Company | Catalog Number | Comments |
| Microsoft Kinect for Windows v1 sensor | Microsoft | N/A | The first version of the test was developed on Kinect sensor v1 which is not sold any more. But the second version was developed on the Kinect sensor v2 which can be tested in a similar way by using Microsoft Kinect for Windows v2 sensor (GT3-00003) together with Microsoft Kinect Adapter (9J7-00009) |
| DELL XPS 2720 All-In-One PC with windows 8 operating system, 16G RAM, Intel Core i7 and 64-bits | DELL | N/A | In our setup, a All-in-one computer was used, but in fact any laptop or computer which fullfills the following requirements and a big screen for the subjects to see will work: windows 8 or higher operating system; 64-bit processor; dual-core 3.2 GHz or faster processor; dedicated USB 3.0 bus; 2 GB RAM |
References
- Hobart, J. C., Cano, S. J., Zajicek, J. P., Thompson, A. J. Rating scales as outcome measures for clinical trials in neurology: problems, solutions, and recommendations. Lancet Neurol. 6, 1094-1105 (2007).
- Cano, S. J., et al. Rasch analysis of clinical outcome measures in spinal muscular atrophy. Muscle Nerve. 49, 422-430 (2014).
- Monani, U. R., De Vivo, D. C. Neurodegeneration in spinal muscular atrophy: from disease phenotype and animal models to therapeutic strategies and beyond. Future Neurol. 9, 49-65 (2014).
- Kolb, S. J., Kissel, J. T.
- Shotton, J., et al. Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society. , 1297-1304 (2011).
- Plantard, P., Shum, H. P., Le Pierres, A. S., Multon, F. Validation of an ergonomic assessment method using Kinect data in real workplace conditions. Appl Ergon. , (2016).
- Galna, B., et al. Accuracy of the Microsoft Kinect sensor for measuring movement in people with Parkinson's disease. Gait Posture. 39, 1062-1068 (2014).
- Otte, K., et al. Accuracy and Reliability of the Kinect Version 2 for Clinical Measurement of Motor Function. PLoS One. 11, 0166532 (2016).
- Clark, R. A., et al. Reliability and concurrent validity of the Microsoft Xbox One Kinect for assessment of standing balance and postural control. Gait Posture. 42, 210-213 (2015).
- Milgrom, R., Foreman, M., Standeven, J., Engsberg, J. R., Morgan, K. A. Reliability and validity of the Microsoft Kinect for assessment of manual wheelchair propulsion. J Rehabil Res Dev. 53, 901-918 (2016).
- Bonnechere, B., et al. Validity and reliability of the Kinect within functional assessment activities: Comparison with standard stereophotogrammetry. Gait & Posture. 39, 593-598 (2014).
- Huber, M. E., Seitz, A. L., Leeser, M., Sternad, D. Validity and reliability of Kinect skeleton for measuring shoulder joint angles: a feasibility study. Physiotherapy. 101, 389-393 (2015).
- Chen, X., et al. Feasibility of Using Microsoft Kinect to Assess Upper Limb Movement in Type III Spinal Muscular Atrophy Patients. Plos One. 12, (2017).
- Bonati, U., et al. Longitudinal characterization of biomarkers for spinal muscular atrophy. Ann Clin Transl Neur. 4, 292-304 (2017).
