Selbstverwaltete neurologische Fernuntersuchung mittels mobiler Anwendung bei Patienten mit Hirntumoren (NEMO)

Die mobile Anwendung "Iskhaa" wird in Zusammenarbeit mit der Elektronikabteilung des Bhabha Atomic Research Centre (BARC) entwickelt. Die Anwendung wird mit Android Version 8.0 oder höher kompatibel sein. Die Software wird zwei Komponenten haben - eine mobile Anwendung (für Patienten und Gesundheitsdienstleister) und eine Desktop-Anwendung (für Gesundheitsdienstleister). Die mit der App aufgezeichneten Daten werden auf einem gesicherten Krankenhausserver gespeichert, der über das Krankenhausnetzwerk zugänglich ist. Eine Stichprobe der verschiedenen klinischen Merkmale, die von der Anwendung aufgezeichnet werden sollen, ist in Anlage A enthalten. Die mobile Anwendung wird zunächst in Englisch entwickelt und in den ersten 3-6 Monaten in aktualisierten Versionen anschließend in Hindi, Marathi und Bengalisch übersetzt. Vorgefertigte Videos werden verwendet, um die Patienten bei der Wiederholung der Aktionen anzuleiten, die für die neurologische Untersuchung aufgezeichnet werden. Beispiele für solche Anweisungen umfassen Sprache (Patient wird gebeten, festgelegte Sätze zu sprechen), Gang, z.B. 20 Schritte gehen, Tandemgang zur Überprüfung der Kleinhirnfunktion, Anheben einzelner Gliedmaßen usw. Zusätzlich werden der Lebensqualitäts-Fragebogen der European Organisation for Research and Treatment of Cancer (EORTC) (QLQ-C30) und das Hirntumor-Modul (BN20) in der mobilen Anwendung verfügbar sein. Die aufgezeichneten Symptome werden in einer gesicherten Datenbank gespeichert, und die Studienuntersucher haben Zugriff, um sie entweder über mobile oder Desktop-Anwendungen zu überprüfen. Sobald eine Bewertung (vor Ort oder vor Ort) abgeschlossen ist, werden die Daten elektronisch am zentralen Standort im Tata Memorial Centre aktualisiert, und der Untersucher erhält eine Erinnerung. Versionsaktualisierungen zur Verbesserung der Anwendungsoberfläche für bessere Benutzercompliance und Software-Updates werden nach Bedarf regelmäßig durchgeführt. Eine Beispiel der Anwendungsoberfläche wird im folgenden Diagramm bereitgestellt.

Patienten über 5 Jahre mit einer Diagnose eines Hirntumors, einer erwarteten Lebenserwartung von mehr als 6 Monaten und der Fähigkeit, den Anweisungen der mobilen Anwendung zu folgen, werden für die Studie gescreent. Sie werden nach Unterzeichnung einer schriftlichen Einwilligung oder Zustimmungsformel, je nachdem, was angemessen ist, aufgenommen. Die initiale Phase der Studie umfasst eine Vor-Ort-Bewertung von 100 Patienten, die die mobile Anwendung zur Bewertung von Symptomen und zur Aufzeichnung von Videos für die neurologische Funktionsbewertung verwenden müssen. In dieser Phase wird die Anwendung auf bestimmten Mobiltelefonen (die nicht dem Patienten gehören) installiert. Nach Durchführung der Evaluation werden alle Patienten von dem verantwortlichen Arzt in der Klinik bewertet, der Standardprotokolle befolgt. Eine detaillierte neurologische Untersuchung wird durchgeführt, um alle Aspekte der Symptome und Funktionsbewertung abzudecken, wie sie in der mobilen Anwendung verfügbar sind. Der Hauptzweck der Vor-Ort-Bewertung ist es, technische Unterstützung für die Anwendungsnutzung durch das interne Team zu bieten, bevor sie auf Mobilgeräten für Patienten installiert wird, um einen nahtlosen Übergang und Nutzung zu ermöglichen. Die zweite Phase der Bewertung umfasst 500 Patienten, die die virtuelle Untersuchung (außerhalb des Standorts) durchführen. Die mobile Anwendung wird auf den persönlichen Telefonen installiert, wenn die Einwilligung zur Studienteilnahme vorliegt. Patienten müssen monatliche Bewertungen zu Hause durchführen, mit Erinnerungen für die rechtzeitigen Evaluationen, und sie werden telefonisch erinnert, falls die Bewertung um 7 Tage verzögert wird. Patienten und Betreuer werden in der Lage sein, Videos mit der Mobilkamera aufzuzeichnen und hochzuladen. Zusätzlich werden Patienten angewiesen, Selbstbewertungen (unterminiert) im Falle einer symptomatischen Verschlechterung durchzuführen. Patienten werden gemäß der standardmäßigen institutionellen Praxis weiterhin alle 3-6 Monate in der Klinik zur physischen Evaluation nachbeobachtet, und Bildgebungen sind alle 6-12 Monate spezifisch für die histologische Diagnose oder wie klinisch erforderlich bei neurologischer Verschlechterung, entschieden durch den verantwortlichen Arzt, ohne Einfluss der Studienteilnahme.

Alle abgeschlossenen Daten stehen den Studienuntersuchern zur Verfügung, um sie abzurufen. Die Symptomatologiebewertung wird als deskriptive Statistik dargestellt, und serielle Veränderungen werden analysiert. Die mit der App aufgezeichneten Daten werden mit der Bewertung durch den Arzt während jedes Klinikbesuchs korreliert. Für alle einzelnen Aufgaben, die vom Patienten durchgeführt und im Videoformat aufgezeichnet werden, wird eine Computeranalyse durchgeführt. Neurologische Funktionen (z.B. Gang und Bewegung) werden mit künstlichen Intelligenz-Algorithmen unter Verwendung eines Hybridmodells aufgezeichnet, das Convolutional Neural Networks (CNNs) und Vision Transformers (ViTs) kombiniert. Die Videodaten durchlaufen Vorverarbeitungsschritte, um relevante Merkmale wie Silhouetten, Skelettdarstellungen oder Posenschlüsselpunkte mit fortschrittlichen Posenschätzungswerkzeugen wie OpenPose zu extrahieren. Jeder Frame wird von einem CNN-Backbone, wie ResNet oder EfficientNet, verarbeitet, um niedrigstufige räumliche Merkmale zu extrahieren. Diese Merkmale werden dann in ein Vision Transformer-Modul eingespeist, das globale zeitliche Abhängigkeiten über die Bildsequenz modelliert und eine robuste Darstellung des Patientengangs liefert. Dieses kombinierte Framework ermöglicht die Erkennung subtiler Anomalien, Abnormalitäten oder Variationen im Gang, die für die klinische Überwachung kritisch sind. Das Modell wird mit Videodaten trainiert und validiert, die von verschiedenen Patientengruppen und klinischen Szenarien erfasst wurden. Durch die Nutzung der Granularität von Hochgeschwindigkeitsaufnahmen zielt das Modell darauf ab, hochpräzise Ausgaben wie Gangklassifikation, Anomalieerkennung oder Parameterregression zu liefern, die auf die spezifischen Anwendungsbedürfnisse zugeschnitten sind. Die Integration modernster Techniken, wie 3D Vision Transformers für verbesserte raumzeitliche Analyse, gewährleistet die Robustheit und Generalisierbarkeit des Modells. Darüber hinaus werden Explainable AI (XAI)-Methodiken integriert, um die Vorhersagen des Modells zu interpretieren, handlungsorientierte Einblicke zu bieten und Vertrauen in das System zu fördern.