Udvikling af digitale tjenester til Parkinsons sygdom

Parkinsons sygdom (PD) er en af ​​de mest almindelige neurodegenerative sygdomme på verdensplan og rammer 1 % af befolkningen over 65 år.

I øjeblikket er PD-diagnose baseret på historie, kliniske vurderinger og neurologisk undersøgelse.

De mest udbredte kriterier for diagnose er Movement Disorder Society (MDS) kriterier og instrument (dvs. MDS-UPDRS). Yderligere information kan opnås fra folks subjektive beskrivelse af deres symptomer og/eller via nogle korte gangtest, såsom 3-meter Timed Up and Go (TUG) udført som et øjebliksbillede i klinikken. Men folks symptomer varierer gennem og mellem dage, og subjektive beskrivelser afhænger af deres hukommelse og observationer derhjemme. Disse erindringer kan være upålidelige eller mangle nok detaljer (især når personen har kognitiv svækkelse). Derfor er de nuværende PD-diagnosekriterier meget afhængige af personen og den diagnosticerende læge. Denne subjektivitet kan føre til en variation i diagnosen. Desuden er disse kliniske vurderinger ikke i stand til nøjagtigt at spore sygdomsprogression over tid, hvilket gør det vanskeligt at yde personlig pleje. Derudover mangler manuelle undersøgelser præcise måleinstrumenter, hvilket resulterer i en lav præcision af observerede målinger og manglende evne til at opdage subkliniske tegn i tidlige stadier. En objektiv diagnose baseret på kvantitative data frem for subjektiv fortolkning af kliniske fund er vigtig2. Derfor er en tidlig og præcis diagnose af PD, samt nøjagtig overvågning af sygdomsprogression, stadig vigtige udfordringer i PD.

Adskillige oculo-visuelle abnormiteter er blevet beskrevet i PD. Undersøgelser rapporterer en unormal okulær motorisk funktion hos 75-87,5 % af personer med PD (3,4). Disse dysfunktioner kan gå forud for eller følge motoriske symptomer, og evalueringen af ​​okulær motorisk funktion kan derfor give værdifuld information om tidlig sygdomsdetektion eller sygdomsprogression (5). De mest almindeligt rapporterede okulære motoriske dysfunktioner er svækkelser i saccades, glat forfølgelse og vergens (3,4,6).

Gangbesvær er blandt de mest almindelige og invaliderende symptomer på PD (29). Gangforstyrrelser omfatter frysning af gangart (FOG), manglende evne til at påbegynde eller opretholde normale gangmønstre, hvilket ofte resulterer i en stokastisk stop/start gangart, og festinerende gangart (FSG), som er en afkortning af skridtlængden med forhøjet skridtfrekvens, hvilket resulterer i i hurtige, blandende trin. Både FOG og FSG bidrager til en øget risiko for fald (og fald-relaterede skader) hos mennesker med PD i forhold til den bredere ældre befolkning. Objektiv og kontinuerlig fjern-gangovervågning ville være yderst vigtig hos mennesker med PD, for objektivt at spore gangbesvær i realtid og potentielt bidrage til objektivt at spore sygdomsprogression, hvilket kan føre til personlig pleje til personer med PD.

I dette projekt vil øjenmotoriske, pupil- og gangdata hos mennesker med Parkinsons sygdom (PD) blive indsamlet for at udvikle maskinlæringsmodeller til diagnosticering og monitorering af PD. Med dette sigter efterforskerne mod at fremme det nyeste inden for PD-diagnose og monitorering. Ved at integrere principperne for maskinlæring med sensordata af høj kvalitet kan der potentielt opnås mere nøjagtig og tidligere diagnose. Okulære motoriske data og pupildata vil blive indsamlet med standard klinisk undersøgelse og med neos, et medicinsk udstyr godkendt til objektiv måling af øjenmotorik og pupil. Gang vil blive indsamlet ved hjælp af en IMU-sensor og GaitQ senti, en forbrugerenhed, der giver mulighed for en objektiv og kontinuerlig fjernovervågning af gang.

Det primære formål med dette projekt er at indsamle okulær motor-, pupil- og gangdata fra mennesker med PD for at udvikle og sammenligne maskinlæringsmodeller til diagnosticering og monitorering af PD.

Sekundære mål er:

Korreler øjenmotoriske, pupil- og gangparametre med flere kliniske parametre, herunder MDS-UPDRS.

Indsaml real-world evidens (RWE) data vedrørende sundhedsøkonomiske parametre for at adressere de individuelle og kombinerede egenskaber, effekter og/eller påvirkninger af de implementerede sundhedsteknologier.

Ved at analysere de indsamlede data sigter vi også mod at bidrage til den videnskabelige forståelse af PD, hvilket potentielt kan afdække ny indsigt i sygdomsmønstre, progression og respons på behandlinger.