Neurodegenerative sygdomme Progressionsmarkører (MARKERS-NDD) (MARKERS-NDD)

I betragtning af de nuværende skøn og den globale sociale og økonomiske byrde af neurodegenerative sygdomme er der et presserende behov for ændringer i måden og tidspunktet for en diagnose af disse sygdomme, såvel som i den aktualitet, hvormed effektive terapeutiske indgreb udføres. Kompleksiteten af ​​de molekylære mekanismer, der ligger til grund for neuronal degeneration, og heterogeniteten af ​​populationen af ​​patienter, der er ramt af neurodegenerative sygdomme, udgør enorme udfordringer for udviklingen af ​​tidlige diagnostiske værktøjer og systemer, der er i stand til at forudsige sygdomsforløbet.

På trods af intensiv forskning inden for farmakologi, kirurgi og rehabilitering forbliver neurodegenerative sygdomme kroniske progressive sygdomme uden en terapi, der kan ændre forløbet.

MARKERS-NDD er et prospektivt, observationelt, longitudinelt studie, som har til formål at indsamle data fra patienter, der er ramt af neurodegenerative sygdomme (NDD), efterfulgt på langs til rutineundersøgelser udført som en del af normal klinisk praksis. Data indsamlet fra kliniske evalueringer, bevægelsesanalyser, hjernebilleddannelse, neuropsykologiske og elektroencefalografiske vurderinger, blodkemiske tests vil blive analyseret for at udføre statistiske undersøgelser og prædiktive analyser, også ved hjælp af kunstige intelligenssystemer, som muliggør identifikation af nye tidlige markører for diagnose og prognose af neurodegenerative sygdomme.

Kvantitativ bevægelsesanalyse, ved hjælp af standard motion capture-systemer (ganganalyse) og med bærbare inertisensorer, er et gyldigt værktøj både til at understøtte klinisk diagnostik og til at vurdere responsen på farmakologisk behandling og til at overvåge progressionen af ​​NDD'er. Fra dette perspektiv kan den kinematiske analyse af gang og grafiske gestus afsløre tidlige ændringer af motoriske funktioner for at understøtte differentialdiagnosen og stratificeringen af ​​patienten og give os mulighed for at følge sygdommens progression over tid.

Selvom motoriske symptomer repræsenterer nøgleaspekter for differentialdiagnose mellem parkinsonsyndrom og demens, kan ændringer af kognitive funktioner, og især af eksekutive funktioner, også være til stede i de tidlige stadier af sygdommen hos patienter med synukleinopatier såsom PD og Lewy Body Demens.

Ved Parkinsons sygdom (PD) kan disse kognitive lidelser udvikle sig over tid mod et mildt kognitivt fald (Mild kognitiv svækkelse, PD-MCI) op til demens (Parkinson Disease Dementia, PDD).

Identifikationen af ​​neuropsykologiske markører, der kan forudsige udviklingen af ​​disse sygdomme og risikoen for konvertering hos patienter med PD, er et afgørende aspekt for behandlingen og håndteringen af ​​patienter i de forskellige faser af sygdommen.

I æraen med kunstig intelligens (AI), med introduktionen af ​​AI-drevet computersyn, kan den menneskelige bevægelse spores og analyseres i realtid ved hjælp af et simpelt kamera af mobile enheder, såsom tablets og smartphones, hvilket potentielt eliminerer behovet for yderligere sensorer eller specialudstyr. Derfor kan en tilgang som telemedicin ved hjælp af AI give nye muligheder og udfordringer for fjerndiagnosticering, telemonitorering og telerehabilitering ved neurologiske lidelser såsom neurodegenerative sygdomme. Bevægelsesanalyse baseret på AI-drevet computersyn kunne reducere antallet af patientbevægelser, især i de fremskredne stadier af sygdommen, ofte karakteriseret ved alvorligt handicap, lette byrden for plejepersonale, der nogle gange er ældre eller engageret i arbejdsaktiviteter, og tillade konsultationer skal udføres i fjerntliggende områder, der ikke er let tilgængelige.

Sammenligningen og valideringen af ​​disse systemer med den gyldne standard for bevægelsesanalyse repræsenteret ved ganganalyse med motion-captures og de allerede validerede analysesystemer med inertisensorer, udgør en nøglebrik i udviklingen af ​​kliniske værktøjer, der understøtter fjerndiagnosticering og telemonitorering af terapier farmakologiske og rehabiliterende behandlinger.

På samme måde har anvendelsen af ​​kunstige intelligenssystemer til den kinematiske analyse af den grafiske gestus muliggjort udviklingen af ​​forskellige mønstergenkendelsessystemer til automatisk genkendelse af håndskrift i forskellige anvendelsesområder.

Dysgrafiske træk var relateret til abnormiteter af motoriske og kognitive funktioner afsløret af kliniske og neuropsykologiske tests, såvel som til neurofysiologiske korrelater af håndskriftsrelateret kortikal aktivitet såsom elektroencefalogram (EEG).

Håndskriftsanalysesystem, som anvender AI-systemer og involverer udførelse af validerede neuropsykologiske tests ved hjælp af kommercielle grafiske tabletter, udført som en del af normal klinisk praksis - såsom et simpelt ambulant besøg eller under en strukturel neuropsykologisk undersøgelse som en del af den nu almindelige multidisciplinære tilgang, der karakteriserer behandlingen af ​​patienter med NDD - kunne være særlig nyttig i PD-MCI til at følge udviklingen af ​​både motoriske og kognitive symptomer. Som et omkostningseffektivt og ikke-invasivt mål for motorisk og kognitiv ydeevne kunne grafiske gestusanalysesystemer anvendes gentagne gange over tid uden serielle eller meta-læringseffekter.

Et yderligere nøgleaspekt i den tidlige diagnose af NDD er repræsenteret ved stemmeanalyse: produktionen af ​​den menneskelige stemme sker gennem komplekse og synergistiske bevægelser af systemer og subsystemer (stemmebånd, strubehoved, glottis, mundhule og mere), som kan påvirkes af talerens helbredstilstand. Især blandt neurodegenerative sygdomme involverer PD og Parkinsonisme dramatiske, objektive og målbare ændringer i stemmeproduktionen, som kan omfatte (blandt andre) øgede støjniveauer (på grund af ufuldstændig lukning af stemmelæberne) og tab af stemme (dysarthrofoni, dysartri og hypofoni). Selvom evalueringen af ​​taleforstyrrelser faktisk kan udføres via laryngoskop og video-stroboskopiske instrumenter, er disse meget dyre tests, der kræver meget tid og kvalificeret personale. Stemmebaserede kunstig intelligens-systemer, der gør brug af kommercielle systemer (mobilenheder udstyret med mikrofoner med lydstyrke) kunne tillade analyse af stemmen med kunstig intelligens-algoritmer for at diagnosticere sygdommen i dens tidlige stadier.

En langsigtet analyse af almindelige laboratorie-blodkemiske parametre og analyse af forskellige biologiske prøver, såsom fækale prøver til mikrobiotaanalyse, udført som rutinetjek af patienter med kroniske sygdomme såsom NDD'er kunne muliggøre identifikation af sammenhænge og tidlige markører, der er nyttige i diagnosticering og overvågning af sygdomsprogression.

Samtidig indføres stadig mere kraftfulde og præcise hjernebilleddannelsessystemer, understøttet af maskinlæringssystemer og kunstig intelligens-teknikker, for at opnå en stadig mere præcis ætiologisk diagnose.

Relevant er, at hver neurodegenerativ sygdom favoriserer et specifikt hjernenetværk, som igen er forbundet med et specifikt tab af væv i bestemte hjerneregioner. Derfor muligheden for at identificere nye neuroimaging-markører gennem maskinlæringssystemer til at vejlede differentialdiagnosen og nøjagtigt evaluere sygdomsforløbet.

Som konklusion er den tilgang, som MARKERS-NDD-undersøgelsen har vedtaget, fundamental for at øge potentialet for succes for en ambitiøs strategi, der sigter mod at udvikle markører for progression af neurodegenerative sygdomme, der accelererer søgen efter sygdomsmodificerende terapi.