Brug af wearables til at identificere faktorer forbundet med mild kognitiv svækkelse og tidligstadie Alzheimers sygdom

Let kognitiv svækkelse (MCI) og tidlig stadie Alzheimers sygdom (AD) repræsenterer kritiske stadier langs kontinuummet af neurodegenerative kognitive lidelser. Forståelse af disse tilstande er afgørende for at muliggøre tidlig diagnose, implementering af målrettede terapeutiske strategier og udvikling af omfattende plejeplaner med det formål at forbedre patientens og pårørendes livskvalitet og, når det er muligt, forsinke den neurodegenerative progression.

Den globale byrde af demens stiger hurtigt og udgør en presserende folkesundhedsudfordring. Prognoser estimerer, at omkring 115 millioner mennesker på verdensplan vil leve med demens inden 2050. I USA alene forventes forekomsten af MCI at overstige 21 millioner individer, med næsten 14 millioner tilfælde af Alzheimers sygdom inden 2060. Disse tal understreger det presserende behov for fremskridt inden for translationsneurovidenskab, især inden for tidlige diagnostiske strategier og forebyggende, personaliserede tilgange til pleje.

I denne sammenhæng er bærbar teknologi fremstået som lovende værktøjer til kontinuerlig, ikke-invasiv overvågning af fysiologiske og adfærdsmæssige parametre i virkelige omgivelser. Enheder som smarture og smartringe muliggør longitudinal indsamling af data relateret til hjertefrekvensvariabilitet, søvnarkitektur, fysisk aktivitet og cirkadiske rytmer – faktorer i stigende grad forbundet med kognitiv nedgang. Fremvoksende beviser antyder, at ændringer i disse parametre kan foregå eller ledsage tidlig kognitiv svækkelse. Når de integreres med avancerede kunstig intelligens (AI) metoder, kan disse data afsløre subtile mønstre indikative for tidlige neurodegenerative processer, der foregår åbenlyse kliniske symptomer.

Kombination af bærbar-afledte data med neuroimaging og elektroencefalografi (EEG) har potentiale til at generere mere robuste diagnostiske modeller. Mens bærbare enheder indfanger adfærdsmæssige og fysiologiske dynamikker, giver magnetisk resonansbilleddannelse (MRI) detaljerede oplysninger om hjernens struktur og funktion, og EEG muliggør analyse af neurale oscillationer og forbindelsesmønstre knyttet til tidlig kognitiv svækkelse. Integrationen af disse multimodale datastrømme repræsenterer en kompleks metodologisk udfordring, der kræver avancerede beregningsmæssige rammer i stand til at håndtere heterogene, højdimensionelle datasæt.

Fremskridt inden for kunstig intelligens og maskinlæring muliggør integration af multimodale data og identifikation af komplekse mønstre, der ikke kan påvises gennem traditionelle analytiske tilgange. Multimodale datafusionstrategier, der kombinerer bærbar-afledte fysiologiske og adfærdsmæssige træk med neuropsykologiske, neuroimaging- og EEG-afledte variable, kan forbedre diagnostisk præstation og understøtte individuel risikostratificering.

Dette er en observations-, analytisk, enkeltcenter, prospektiv kohortestudie designet til at integrere multimodal klinisk og digital data til udvikling og validering af AI-baserede modeller rettet mod tidlig detektion af MCI og tidlig stadie Alzheimers sygdom. Studiet udføres på Getúlio Vargas Universitetshospital (HUGV), et tertiært akademisk center og regional reference for højkompleksitetspleje, i samarbejde med Center for Forskning og Udvikling i Elektronisk og Informationsteknologi (CETELI/UFAM), som leverer ekspertise inden for intelligente systemer, datainfrastruktur og AI-modeludvikling.

Maskinlærings- og dyb læringstilgange anvendes til at identificere mønstre associeret med kognitiv nedgang, understøtte tidlig detektion af MCI og tidlig AD, og muliggøre risikostratificering. Modeludvikling og -validering prioriterer robusthed, fortolkelighed og potentiel klinisk anvendelighed.

Dette studie har til formål at understøtte udviklingen af skalerbare, tilgængelige og ikke-invasive AI-baserede værktøjer til tidlig detektion af kognitiv svækkelse. Ved at udnytte kontinuerlig bærbar overvågning og multimodal dataintegration kan den foreslåede tilgang bidrage til tidligere diagnose, forbedret risikostratificering og mere rettidige interventionsstrategier for individer i risiko for Alzheimers sygdom.