Vývoj digitálních diagnostických zařízení pro Parkinsonovu chorobu

Parkinsonova nemoc (PD) je celosvětově jedním z nejčastějších neurodegenerativních onemocnění, postihuje 1 % populace starší 65 let.

V současné době je diagnóza PD založena na anamnéze, klinických hodnoceních a neurologickém vyšetření.

Nejpoužívanějšími kritérii pro diagnostiku jsou kritéria a nástroj společnosti Movement Disorder Society (MDS) (tj. MDS-UPDRS). Další informace lze získat ze subjektivního popisu příznaků lidí a/nebo prostřednictvím některých krátkých testů chůze, jako je 3metrový Timed Up and Go (TUG) provedený jako snímek na klinice. Příznaky se však u lidí mění v průběhu a mezi dny a subjektivní popisy se spoléhají na jejich paměť a pozorování doma. Tyto vzpomínky mohou být nespolehlivé nebo postrádají dostatek podrobností (zvláště když má osoba kognitivní poruchu). Současná kritéria pro diagnostiku PD jsou proto vysoce závislá na osobě a na lékaři, který diagnostikuje. Tato subjektivita může vést k variabilitě diagnózy. Kromě toho tato klinická hodnocení nejsou schopna přesně sledovat progresi onemocnění v průběhu času, což ztěžuje poskytování personalizované péče. Manuální vyšetření navíc postrádají přesné měřicí přístroje, což má za následek nízkou přesnost pozorovaných měření a nemožnost odhalit subklinické příznaky v raném stádiu. Důležitá je objektivní diagnóza založená spíše na kvantitativních datech než na subjektivní interpretaci klinických nálezů2. Včasná a přesná diagnóza PD, stejně jako přesné monitorování progrese onemocnění, jsou proto stále důležitými výzvami u PD.

U PD bylo popsáno několik okulovizuálních abnormalit. Studie uvádějí abnormální oční motorické funkce u 75–87,5 % lidí s PD (3,4). Tyto dysfunkce mohou předcházet motorickým symptomům nebo je následovat, a proto hodnocení oční motorické funkce může poskytnout cenné informace týkající se časné detekce onemocnění nebo progrese onemocnění [5]. Nejčastěji hlášenými očními motorickými dysfunkcemi jsou poruchy sakád, plynulého pronásledování a vergence [3,4,6].

Poruchy chůze patří k nejčastějším a invalidizujícím symptomům PD (29). Poruchy chůze zahrnují zmrazení chůze (FOG), neschopnost zahájit nebo udržet normální vzorce chůze, což často vede ke stochastickému zastavení/zahájení chůze, a festinující chůze (FSG), což je zkrácení délky kroku se zvýšenou frekvencí kroku, což má za následek v rychlých, proměnlivých krocích. FOG i FSG přispívají ke zvýšenému riziku pádů (a zranění souvisejících s pádem) u lidí s PD ve srovnání s širší starší populací. Objektivní a nepřetržité dálkové monitorování chůze by bylo velmi důležité u lidí s PD, aby bylo možné objektivně sledovat poruchy chůze v reálném čase a potenciálně přispět k objektivnímu sledování progrese onemocnění, což může vést k personalizované péči o jedince s PD.

V tomto projektu budou shromažďována data o oční motorice, zornicích a chůzi u lidí s Parkinsonovou nemocí (PD), aby bylo možné vyvinout modely strojového učení pro diagnostiku a monitorování PD. Tímto se výzkumníci zaměřují na pokrok v oblasti diagnostiky a monitorování PD. Integrací principů strojového učení s vysoce kvalitními daty senzorů by mohlo být potenciálně dosaženo přesnější a dřívější diagnózy. Data oční motoriky a zornice budou shromažďována standardním klinickým vyšetřením a neos, což je zdravotnický prostředek schválený pro objektivní měření oční motoriky a zornice. Chůze bude shromažďována pomocí senzoru IMU a GaitQ senti, spotřebitelského zařízení, které umožňuje objektivní a nepřetržité dálkové monitorování chůze.

Primárním cílem tohoto projektu je shromáždit data o oční motorice, zornicích a chůzi od lidí s PD za účelem vývoje a porovnání modelů strojového učení pro diagnostiku a monitorování PD.

Sekundární cíle jsou:

• Korelujte parametry oční motoriky, zornice a chůze s několika klinickými parametry, včetně MDS-UPDRS.
• Sbírejte údaje z reálného světa (RWE) týkající se parametrů zdravotní ekonomiky, abyste mohli řešit individuální a kombinované vlastnosti, účinky a/nebo dopady nasazených zdravotnických technologií.
• Analýzou shromážděných dat se také snažíme přispět k vědeckému porozumění PD, potenciálně odhalit nové poznatky o vzorcích onemocnění, progresi a reakci na léčbu.