Entwicklung digitaler Diagnosegeräte für die Parkinson-Krankheit

Die Parkinson-Krankheit (PD) ist eine der häufigsten neurodegenerativen Erkrankungen weltweit und betrifft 1 % der Bevölkerung über 65 Jahre.

Derzeit basiert die PD-Diagnose auf der Anamnese, klinischen Beurteilungen und neurologischen Untersuchungen.

Die am häufigsten verwendeten Kriterien für die Diagnose sind die Kriterien und Instrumente der Movement Disorder Society (MDS) (d. h. Das MDS-UPDRS). Weitere Informationen können durch die subjektive Beschreibung der Symptome der Patienten und/oder durch einige kurze Gehtests, wie z. B. den 3-Meter-Timed Up and Go (TUG), der als Momentaufnahme in der Klinik durchgeführt wird, gewonnen werden. Die Symptome variieren jedoch von Tag zu Tag und subjektive Beschreibungen basieren auf dem Gedächtnis und den Beobachtungen zu Hause. Diese Erinnerungen können unzuverlässig sein oder es mangelt ihnen an Details (insbesondere wenn die Person eine kognitive Beeinträchtigung hat). Daher hängen die aktuellen PD-Diagnosekriterien stark von der Person und dem diagnostizierenden Arzt ab. Diese Subjektivität kann zu einer Variabilität in der Diagnose führen. Darüber hinaus sind diese klinischen Beurteilungen nicht in der Lage, den Krankheitsverlauf im Laufe der Zeit genau zu verfolgen, was es schwierig macht, eine personalisierte Versorgung bereitzustellen. Darüber hinaus mangelt es bei manuellen Untersuchungen an präzisen Messinstrumenten, was zu einer geringen Präzision der beobachteten Messungen führt und die Unfähigkeit, subklinische Anzeichen im Frühstadium zu erkennen. Wichtig ist eine objektive Diagnose auf der Grundlage quantitativer Daten und nicht einer subjektiven Interpretation klinischer Befunde2. Daher sind eine frühe und genaue Diagnose der Parkinson-Krankheit sowie eine genaue Überwachung des Krankheitsverlaufs nach wie vor wichtige Herausforderungen bei der Parkinson-Krankheit.

Bei Parkinson wurden mehrere okulovisuelle Anomalien beschrieben. Studien berichten von einer abnormalen Augenmotorik bei 75–87,5 % der Menschen mit Parkinson (3,4). Diese Funktionsstörungen können motorischen Symptomen vorausgehen oder folgen. Daher kann die Beurteilung der Augenmotorik wertvolle Informationen zur Früherkennung oder zum Fortschreiten der Krankheit liefern (5). Die am häufigsten berichteten motorischen Funktionsstörungen des Auges sind Beeinträchtigungen bei Sakkaden, beim sanften Verfolgen und beim Vergenzen (3,4,6).

Gangstörungen gehören zu den häufigsten und beeinträchtigendsten Symptomen der Parkinson-Krankheit (29). Zu den Gangstörungen zählen das Einfrieren des Ganges (FOG), die Unfähigkeit, normale Gangmuster einzuleiten oder aufrechtzuerhalten, was häufig zu einem stochastischen Stopp-Start-Gang führt, und der festinierende Gang (FSG), bei dem es sich um eine Verkürzung der Schrittlänge mit erhöhter Schrittfrequenz handelt in schnellen, schlurfenden Schritten. Sowohl FOG als auch FSG tragen zu einem erhöhten Sturzrisiko (und sturzbedingten Verletzungen) bei Menschen mit IPS im Vergleich zur älteren Bevölkerung bei. Eine objektive und kontinuierliche Fernüberwachung des Gangs wäre bei Menschen mit Parkinson von großer Bedeutung, um Gangbeeinträchtigungen objektiv in Echtzeit zu verfolgen und möglicherweise dazu beizutragen, den Krankheitsverlauf objektiv zu verfolgen, was zu einer personalisierten Betreuung von Menschen mit Parkinson führen könnte.

In diesem Projekt werden Augenmotorik-, Pupillen- und Gangdaten von Menschen mit Parkinson-Krankheit (PD) gesammelt, um Modelle für maschinelles Lernen für die Diagnose und Überwachung der Parkinson-Krankheit zu entwickeln. Damit wollen die Forscher den Stand der Technik in der PD-Diagnose und -Überwachung vorantreiben. Durch die Integration der Prinzipien des maschinellen Lernens mit hochwertigen Sensordaten könnte möglicherweise eine genauere und frühere Diagnose erreicht werden. Augenmotorik- und Pupillendaten werden mit der standardmäßigen klinischen Untersuchung und mit Neos, einem für die objektive Augenmotorik und Pupillenmessung zugelassenen Medizinprodukt, erfasst. Der Gang wird mithilfe eines IMU-Sensors und GaitQ senti erfasst, einem Verbrauchergerät, das eine objektive und kontinuierliche Fernüberwachung des Gangs ermöglicht.

Das Hauptziel dieses Projekts besteht darin, Augenmotorik-, Pupillen- und Gangdaten von Menschen mit Parkinson zu sammeln, um Modelle für maschinelles Lernen zur Diagnose und Überwachung der Parkinson-Krankheit zu entwickeln und zu vergleichen.

Sekundäre Ziele sind:

• Korrelieren Sie Augenmotorik-, Pupillen- und Gangparameter mit mehreren klinischen Parametern, einschließlich MDS-UPDRS.
• Sammeln Sie Real-World-Evidence-Daten (RWE) zu gesundheitsökonomischen Parametern, um die individuellen und kombinierten Eigenschaften, Wirkungen und/oder Auswirkungen der eingesetzten Gesundheitstechnologien zu untersuchen.
• Durch die Analyse der gesammelten Daten wollen wir auch zum wissenschaftlichen Verständnis der Parkinson-Krankheit beitragen und möglicherweise neue Erkenntnisse über Krankheitsmuster, Verlauf und Reaktion auf Behandlungen gewinnen.