Kävelykyvyn parantaminen Parkinsonin taudissa (PASTA)

Parkinsonin tauti (PD) on krooninen ja etenevä liikehäiriö, joka johtuu pääasiassa muuttuneesta motorisesta ohjauksesta. Kävelyhäiriöt ovat ensisijaisia ​​oireita PD-potilailla, joilla on lyhentynyt askelpituus ja kävelynopeus, epänormaali kävelyvaiheiden jakautuminen, epätasainen tahti, kävelyn epäsymmetria ja heikentynyt nivelkoordinaatio. Asennon epävakaus ja kävelyominaisuuksien heikkeneminen lisäävät näiden potilaiden kaatumisriskiä, ​​mikä johtaa itsenäisyyden menettämiseen ja pitkän aikavälin ennusteen huononemiseen. On selvästi osoitettu, että motoriset häiriöt liittyvät tyviganglioiden toimintahäiriöön, aivorakenteeseen, joka toimii "tahdistimena" jokaisen osaliikkeen aktivoimiseksi (ja deaktivoimiseksi) toistuvan liikesarjan sisällä. Sisäisten rytmisten vihjeiden häiriintyminen PD:ssä voi selittää liikkeen sujuvuuden ja askelpituuden säätelyn vaikeudet, mikä johtaa poljinnopeuden lisääntymiseen. Levodopahoito on tehokkain hoitomuoto PD:n oireiden lievittämiseen, mutta pitkäaikainen anto vähentää sen tehokkuutta ajan myötä ja se on vastuussa sivuvaikutuksista (dyskinesia). Tästä syystä tutkimukset ovat tutkineet vaihtoehtoisia ei-farmakologisia lähestymistapoja, jotka perustuvat kuulomerkkeihin, kuten RAS-stimulaatioon (Rhythmical Auditory Stimulation). Useat tutkimukset ovat raportoineet myönteisistä vaikutuksista sekä yhden hoitokerran jälkeen että pidempien harjoitusohjelmien jälkeen parantuneella kävelynopeudella, poljinnopeudella ja askelpituudella sekä ylä- ja alaraajojen lihasten aktivoitumisen symmetrialla. Tällaisissa tutkimuksissa RAS-taajuudet asetetaan ennalta prosentteina potilaan suosimasta kävelytaajuudesta. Koska kaikkien hoitojen kesto saattaa muuttua ajan myötä, on tarpeen jatkuvasti säätää annostusta ja hoitotyyppiä sekä potilaiden oireiden seurannan että objektiivisten arvioiden perusteella. Kävelyanalyysimenetelmiä (GA) on ehdotettu ja validoitu fysiologisen kävelyn ja useiden sairauksien tutkimiseen. GA:n perinteiset järjestelmät perustuvat optoelektronisiin järjestelmiin, mutta ne ovat kalliita, eivät kannettavia ja vaativat ammattitaitoisia käyttäjiä. Arviointi suoritetaan aina laboratorioissa, joissa on kokeelliset järjestelyt, jotka todennäköisesti poikkeavat todellisesta kävelystä (meluympäristöt, esineiden ja ihmisten läsnäolo tai tasoittamaton jalkakäytävä, erilaiset värit).

Näin ollen perinteinen GA ei ole luotettava hoitojen päivittäiseen valvontaan tai tosielämän tilanteiden arviointiin. Viime aikoina tutkijat ovat kehittäneet puettavia järjestelmiä, jotka perustuvat inertiaaliseen mittayksikköön (IMU). Vaikka huomattava määrä tutkimuksia on tutkinut IMU-analyysin pätevyyttä, vain harvat ovat olleet mukana PD-liikeanalyyseissä. Viime vuosina markkinoille on levinnyt joukko inertiaantureita sisältäviä puettavia laitteita edullisina ratkaisuina ihmisen liikkeen seurantaan. Vaikka niiden tarkkuus on vielä täysin validoitava, nämä järjestelmät voivat tarjota käyttäjälle tietoja, joiden avulla hän voi seurata hänen omaa toimintaansa. Tällä vakuuttavalla tekniikalla on loistavat mahdollisuudet parantaa fyysistä aktiivisuutta ja potilaiden motivaatiota pitkittyneen ja jatkuvan tallennuksen etuna.

Suuren objektiivisen datamäärän (big data set) käyttö ja analysointi on uusi raja tieteellisen ajan ja resurssien tehokkaalle käytölle, hoidon koordinointiohjelmaan osallistumiselle, taloudellisten resurssien säästämiselle ja hoidon laadun parantamiselle. Lisäksi nämä järjestelmät, jotka on integroitu verkkopohjaiseen sovellukseen, telelääketieteeseen ja mobiiliälypuhelimiin, voivat auttaa lääkäreitä käsittelemään hoitoja paremmin reaaliaikaisen seurannan avulla arjessa. Tutkimusryhmämme on ollut mukana kliinisessä arvioinnissa kävelyn laadun eri näkökulmista monissa neurologisissa tiloissa, mukaan lukien PD. Tutkijat ovat jo osoittaneet, että puettavat kiihtyvyysmittarit voivat olla hyödyllisiä dynaamisen kävelyvakauden kvantitatiivisessa arvioinnissa kliinisten tulosten kanssa. Tutkijat ovat myös havainneet, että kiihtyvyyttä voidaan muuttaa patologispesifisellä tavalla (älyvamma suorittaa eri tehtäviä samanaikaisesti). Samanlainen tila voidaan havaita myös PD:ssä, mikä osoittaa, että vain sisäinen kävelyharmonia korreloi merkittävästi kävelyhäiriöiden vakavuuden kanssa. Viime vuosina on tullut saataville paljon puettavia työkaluja päivittäisen toiminnan kvantifiointiin. Tämä on erityisen tärkeää RAS:n mahdollisen terapeuttisen käytön kannalta, joka on tarkoitettu palauttamaan harmoninen tahti potilailla, joilla on PD.

Erityinen tavoite 1: PD-potilaiden motorisen kuvion analysoimiseksi tosielämässä, puettavat anturit saavat kävelyominaisuudet, jotta ne voidaan liittää kliinisiin ja demografisiin tietoihin.

Erityistavoite 2: Parantaakseen kävelykykyä ja vähentääkseen kaatumisriskiä PD-potilailla tutkijat testaavat reaaliaikaista akustista palautetta (RAS) ja hälytyksiä integroiduista antureista, jotka on yhdistetty sopivaan ja helppokäyttöiseen sovellukseen. älypuhelimille.

Erityistavoite 3: Farmakologisten ja kuntouttavien protokollien parantamiseksi tutkijat analysoivat päivittäisen elämän kävely- ja liikkuvuustietoja sekä kliinisiä piirteitä testatakseen kaatumisten teoreettista riskimallia.

Kokeellinen suunnittelu Tavoite 1: Potilaita, joilla on PD, rekrytoidaan Fondazione Policlinico Universitario Gemelliin ja Fondazione Don Gnocchi ONLUS:iin Roomassa. Idiopaattinen PD vaikuttaa kaikkiin mukana oleviin potilaisiin. Koulutettu neurologi hankkii kliiniset tiedot.

Kolmesataa potilasta seurataan etänä puettavien sensorien avulla. Koehenkilöitä kehotetaan käyttämään anturia 14 peräkkäisenä päivänä. Jokaisella potilaalla on yli 100 mittausta sekunnissa, jolloin syntyy suuri määrä tietoa, joka tallennetaan tietokantaan ja suodatetaan myöhemmin kiinnostavien tietojen mukaan. Spatio-temporaaliset kävelyparametrit antavat tietoa potilaan kävelyn tehokkuuden seuraamiseksi saadakseen tarkan mittauksen liiketoimintojen yleisestä tehokkuudesta. Sitten ne integroidaan sähköisiin potilastietoihin. Kliiniset tiedot, kuten lääkärin reseptit, lääketieteelliset kuvantaminen ja muut hallinnolliset tiedot tallennetaan. Lopuksi rakennetaan riskimalli putoamisen ennustamiseksi.

Kokeellinen suunnittelu Tavoite 2: Saatujen tietojen analysoinnin jälkeen kehitetään sovellus (Parkinson App Smartphone Aimed: P.A.St.A.), jonka luotettavuus, helppokäyttöisyys, visuaalinen selkeys ja kohtuuhintaisuus ovat tunnusomaisia.

Tämä sovellus pystyy: 1) tallentamaan kävelyominaisuudet lähettämällä ne palvelimelle pilvessä; 2) antaa akustista palautetta potilaan kävelyominaisuuksien mukaan (korkeammalla tai pienemmällä taajuudella potilaan tarpeiden ja ennakoivien riskien perusteella); 3) varoittaa riskiindeksien perusteella (riskiindeksit tunnistetaan putoamisen ennustamiseen tarkoitetun riskimallin mukaan) ja 4) päivitetään tarvittaessa (esim. putoamisen jälkeen). Viisikymmentä potilasta saa älypuhelimen tiimiprojektin kehittämän ohjelmistosovelluksen käyttökoulutuksen jälkeen. He käyttävät sovellusta 14 peräkkäisen päivän ajan. Ennen P.A.St.A:n käyttöä ja sen jälkeen suoritetaan kliiniset arvioinnit asteikoilla motorisen toiminnan ja asennon vakauden sekä elämänlaadun analysoimiseksi. Lisäksi selvitetään uuden teknologian käyttöönoton noudattamista.

Kokeellinen suunnittelu Tavoite 3: Saatu laskennallinen data yhdistetään kliinisiin piirteisiin ja kävelymalleihin kliinisen biomarkkerin tunnistamiseksi PD:n kävelyn heikkenemiselle. Tuhansien PD-potilaiden arvioihin perustuvien suurten tietokokonaisuuksien saatavuus mahdollistaa motoristen mallien tuntemuksen parantamisen tosielämässä ja nykyisen terapeuttisen lähestymistavan parantamisen.

Metodologiat ja tilastolliset analyysit: Kaikki tilastolliset analyysit tehdään Stata-ohjelmistolla.

TAVOITE 1 – Tiedot kootaan kategoristen muuttujien tiheyksinä ja prosenttiosuuksina. Jatkuvat muuttujat analysoidaan keskiarvoina ja keskihajontana tai mediaaneina ja vaihteluväleinä. Tutkijat etsivät normaalia käyttämällä normaaleja kuvaajia tai merkitsevyystestejä (esim. Shapiro-Wilk W -testi). Putoamisen ilmaantuvuus mitataan ja olosuhteet, joissa ne tapahtuvat, ja niiden seuraukset kuvataan, luokitellaan ei-vammautumiseen, pienet tai suuret vammat. Usean logistisen regressioanalyysin avulla määritetään riippumattomat putoamisen ennustajat. Logistiseen malliin syötettävät muuttujat valitaan yksimuuttuja-analyysien tulosten perusteella. Hosmer-Lemeshow-sovitustestiä käytetään arvioimaan, kuinka hyvin malli vastasi tiettyjä tuloksia. Monimuuttuja-analyysin tuloksista kehitetään putoamisen ennustemalli. Ennustava pistemäärä lasketaan todennäköisyyssuhteeseen perustuvalla pisteytysmenetelmällä, ja kullekin ennustajalle annetaan lähin kokonaisluku. Mallin erotteluteho arvioidaan vastaanottimen toiminta-alueen mukaan käyräanalyysin alla.

AIM 2 - Tallennetut tiedot käsitellään kävely- ja dynaamisen tasapainon parametrien poimimiseksi. Kaatumisten ilmaantuvuus, RAS:n käyttö ja sen korrelaatio riskiindeksien kanssa mitataan 14 päivän seurantajakson aikana. Wilcoxon signed-rank -testi suoritetaan vertaamaan putoamisten lukumäärää ennen ja jälkeen P.A.St.A.

TAVOITE 3 – Tila-ajallisia kävelyparametreja sekä potilaiden demografisia ja kliinisiä ominaisuuksia ennen hoitoja verrataan käyttämällä Chi-neliötestiä, Fisherin tarkkaa testiä ja tarvittaessa riippumattomia t-testejä.