Markery progrese neurodegenerativních onemocnění (MARKERS-NDD) (MARKERS-NDD)

S ohledem na současné odhady a globální sociální a ekonomickou zátěž neurodegenerativních onemocnění jsou naléhavě nutné změny ve způsobu a načasování diagnostiky těchto onemocnění a také ve včasnosti provádění účinných terapeutických intervencí. Složitost molekulárních mechanismů, které jsou základem neuronální degenerace, a heterogenita populace pacientů postižených neurodegenerativními onemocněními představují obrovskou výzvu pro vývoj časných diagnostických nástrojů a systémů schopných předpovídat průběh onemocnění.

I přes intenzivní výzkum v oblasti farmakologie, chirurgie a rehabilitace zůstávají neurodegenerativní onemocnění chronickými progresivními onemocněními bez terapie, která může změnit průběh.

MARKERS-NDD je prospektivní, observační, longitudinální studie, jejímž cílem je shromáždit data od pacientů postižených neurodegenerativními onemocněními (NDD) sledovaných longitudinálně pro rutinní vyšetření prováděná jako součást běžné klinické praxe. Data shromážděná z klinických hodnocení, analýzy pohybu, zobrazování mozku, neuropsychologického a elektroencefalografického hodnocení, krevních chemických testů budou analyzována za účelem provádění statistických šetření a prediktivních analýz, také pomocí systémů umělé inteligence, které umožňují identifikaci nových časných markerů diagnózy a prognózy. neurodegenerativních onemocnění.

Kvantitativní analýza pohybu s pomocí standardních systémů pro zachycení pohybu (analýza chůze) a nositelných inerciálních senzorů je platným nástrojem jak pro podporu klinické diagnostiky, tak pro posouzení odpovědi na farmakologickou léčbu a pro sledování progrese NDD. Z tohoto pohledu může kinematická analýza chůze a grafického gesta odhalit časné změny motorických rysů pro podporu diferenciální diagnózy a stratifikace pacienta a umožnit nám sledovat progresi onemocnění v čase.

Přestože motorické symptomy představují klíčové aspekty pro diferenciální diagnostiku mezi parkinsonským syndromem a demencí, změny kognitivních funkcí a zejména exekutivních funkcí mohou být přítomny také v časných stádiích onemocnění u pacientů se synukleinopatií, jako je PD a demence s Lewyho tělísky.

U Parkinsonovy choroby (PD) se tyto kognitivní poruchy mohou časem vyvinout směrem k mírnému kognitivnímu poklesu (lehká kognitivní porucha, PD-MCI) až k demenci (demence s Parkinsonovou chorobou, PDD).

Identifikace neuropsychologických markerů, které mohou predikovat progresi těchto onemocnění a riziko konverze u pacientů s PD, je zásadním aspektem pro léčbu a management pacientů v různých fázích onemocnění.

V éře umělé inteligence (AI) se zavedením počítačového vidění řízeného umělou inteligencí lze lidský pohyb sledovat a analyzovat v reálném čase pomocí jednoduché kamery mobilních zařízení, jako jsou tablety a smartphony, což potenciálně eliminuje potřeba dalších senzorů nebo specializovaného vybavení. Přístup, jako je telemedicína využívající AI, by proto mohl nabídnout nové možnosti a výzvy pro vzdálenou diagnostiku, telemonitoring a telerehabilitaci u neurologických poruch, jako jsou neurodegenerativní onemocnění. Analýza pohybů založená na počítačovém vidění řízeném umělou inteligencí by mohla snížit počet pohybů pacienta, zejména v pokročilých stádiích onemocnění, často charakterizovaných těžkým postižením, zmírnit zátěž pečovatelů, kteří jsou někdy starší nebo zapojených do pracovních činností, a umožnit konzultace provádět v odlehlých oblastech, které nejsou snadno dosažitelné.

Srovnání a validace těchto systémů se zlatým standardem analýzy pohybu reprezentovaným analýzou chůze se zachycením pohybu a již ověřenými analytickými systémy s inerciálními senzory představuje klíčový prvek ve vývoji klinických nástrojů, které podporují vzdálenou diagnostiku a telemonitoring terapií. farmakologickou a rehabilitační léčbu.

Podobně aplikace systémů umělé inteligence pro kinematickou analýzu grafického gesta umožnila vývoj různých systémů rozpoznávání vzorů pro automatické rozpoznávání rukopisu v různých aplikačních oblastech.

Dysgrafické rysy souvisely s abnormalitami motorických a kognitivních funkcí odhalenými klinickými a neuropsychologickými testy, stejně jako s neurofyziologickými koreláty kortikální aktivity související s rukopisem, jako je elektroencefalogram (EEG).

Systém analýzy rukopisu, který využívá systémy umělé inteligence a zahrnuje provádění ověřených neuropsychologických testů pomocí komerčních grafických tabletů, které se provádějí jako součást běžné klinické praxe – jako je jednoduchá ambulantní návštěva nebo během strukturálního neuropsychologického vyšetření jako součást nyní běžný multidisciplinární přístup, který charakterizuje léčbu pacientů s NDD – by mohl být zvláště užitečný u PD-MCI ke sledování progrese jak motorických, tak kognitivních symptomů. Jako nákladově efektivní a neinvazivní měřítko motorického a kognitivního výkonu lze systémy grafické analýzy gest používat opakovaně v průběhu času bez efektů sériového nebo metalearningu.

Dalším klíčovým aspektem v časné diagnostice NDD je hlasová analýza: k produkci lidského hlasu dochází prostřednictvím komplexních a synergických pohybů systémů a subsystémů (hlasivky, hrtan, hlasivky, dutina ústní a další), které lze ovlivnit podle zdravotního stavu mluvčího. Zejména z neurodegenerativních onemocnění zahrnují PD a parkinsonismus dramatické, objektivní a měřitelné změny v hlasové produkci, které mohou zahrnovat (mimo jiné) zvýšenou hladinu hluku (v důsledku neúplného uzavření hlasivek) a ztrátu hlasu (dysartrofonie, dysartrie a hypofonie). Přestože hodnocení poruchy řeči lze skutečně provádět pomocí laryngoskopu a videostroboskopických přístrojů, jedná se o velmi nákladné testy, vyžadující mnoho času a kvalifikovaný personál. Systémy umělé inteligence založené na hlasu, které využívají komerční systémy (mobilní zařízení vybavená mikrofony se zvukovou robustností), by mohly umožnit analýzu hlasu pomocí algoritmů umělé inteligence k diagnostice onemocnění v jeho raných stádiích.

Dlouhodobá analýza běžných laboratorních parametrů krevní chemie a analýza různých biologických vzorků, jako jsou vzorky stolice pro analýzu mikroflóry, prováděná jako rutinní kontrola pacienty s chronickými onemocněními, jako jsou NDD, by mohla umožnit identifikaci asociací a časných markerů užitečných při diagnostiku a sledování progrese onemocnění.

Zároveň zavádění stále výkonnějších a přesnějších systémů zobrazování mozku, podporovaných systémy strojového učení a technikami umělé inteligence, pro získání stále přesnější etiologické diagnózy.

Relevantní je, že každé neurodegenerativní onemocnění upřednostňuje specifickou mozkovou síť, která je zase spojena se specifickou ztrátou tkáně v určitých oblastech mozku. Proto možnost identifikace nových neurozobrazovacích markerů pomocí systémů strojového učení pro vedení diferenciální diagnózy a přesné vyhodnocení průběhu onemocnění.

Závěrem lze říci, že přístup přijatý studií MARKERS-NDD je zásadní pro zvýšení potenciálu úspěchu ambiciózní strategie, jejímž cílem je vyvinout markery progrese neurodegenerativních onemocnění, které urychlí hledání léčby modifikující onemocnění.