Neurodegeneratiivisten sairauksien etenemismerkit (MARKERS-NDD) (MARKERS-NDD)

Ottaen huomioon tämänhetkiset arviot ja neurodegeneratiivisten sairauksien maailmanlaajuisen sosiaalisen ja taloudellisen taakan, tarvitaan kiireesti muutoksia näiden sairauksien diagnosointiin ja ajoitukseen sekä tehokkaiden hoitotoimenpiteiden oikea-aikaisuuteen. Hermosolujen rappeutumisen taustalla olevien molekyylimekanismien monimutkaisuus ja neurodegeneratiivisten sairauksien sairastuneiden potilaiden populaation heterogeenisyys asettavat valtavia haasteita sellaisten varhaisten diagnostisten välineiden ja järjestelmien kehittämiselle, jotka pystyvät ennustamaan taudin kulun.

Huolimatta intensiivisestä tutkimuksesta farmakologian, kirurgian ja kuntoutuksen alalla, hermostoa rappeuttavat sairaudet ovat edelleen kroonisia eteneviä sairauksia ilman hoitoa, joka voi muuttaa kulkua.

MARKERS-NDD on prospektiivinen, havainnollinen, pitkittäinen tutkimus, jonka tavoitteena on kerätä tietoja potilailta, joilla on neurodegeneratiivisia sairauksia (NDD), joita seurataan pitkittäin rutiinitutkimuksissa, jotka suoritetaan osana normaalia kliinistä käytäntöä. Kliinisistä arvioinneista, liikeanalyysistä, aivokuvauksesta, neuropsykologisista ja elektroenkefalografisista arvioinneista, veren kemiallisista testeistä kerättyä dataa analysoidaan tilastollisten tutkimusten ja ennustavien analyysien suorittamiseksi, myös tekoälyjärjestelmillä, jotka mahdollistavat uusien varhaisten diagnoosin ja ennusteen merkkiaineiden tunnistamisen. neurodegeneratiivisista sairauksista.

Kvantitatiivinen liikeanalyysi tavallisten liikkeensieppausjärjestelmien (käytäväanalyysi) ja puettavien inertia-anturien avulla on pätevä työkalu sekä kliinisen diagnostiikan tukemiseen että lääkehoidon vasteen arvioimiseen sekä NDD:n etenemisen seurantaan. Tästä näkökulmasta katsottuna kävelyn ja graafisen eleen kinemaattinen analyysi voi paljastaa motoristen ominaisuuksien varhaisia ​​muutoksia, jotka tukevat potilaan erodiagnostiikkaa ja kerrostumista ja antavat meille mahdollisuuden seurata taudin etenemistä ajan myötä.

Vaikka motoriset oireet ovat parkinsonin oireyhtymän ja dementian välisen erodiagnoosin avaintekijöitä, kognitiivisten toimintojen ja erityisesti toimeenpanotoimintojen muutoksia voi esiintyä myös taudin alkuvaiheessa potilailla, joilla on synucleinopatia, kuten PD ja Lewy Body Dementia.

Parkinsonin taudissa (PD) nämä kognitiiviset häiriöt voivat kehittyä ajan myötä kohti lievää kognitiivista heikkenemistä (Mild cognitive impairment, PD-MCI) aina dementiaan (Parkinsonin taudin dementia, PDD).

Sellaisten neuropsykologisten markkerien tunnistaminen, jotka voivat ennustaa näiden sairauksien etenemistä ja muuntumisriskiä PD-potilailla, on keskeinen näkökohta potilaiden hoidossa ja hoidossa taudin eri vaiheissa.

Tekoälyn (AI) aikakaudella, kun tekoälyyn perustuva tietokonenäkö otetaan käyttöön, ihmisen liikettä voidaan seurata ja analysoida reaaliajassa mobiililaitteiden, kuten tablettien ja älypuhelimien, yksinkertaisen kameran avulla, mikä saattaa poistaa lisäanturien tai erikoislaitteiden tarve. Siksi tekoälyä käyttävä telelääketieteellinen lähestymistapa voisi tarjota uusia mahdollisuuksia ja haasteita etädiagnoosille, etävalvontaan ja etäkuntoutukseen neurologisissa sairauksissa, kuten hermoston rappeumasairauksissa. Tekoälypohjaiseen tietokonenäön perustuva liikeanalyysi voisi vähentää potilaan liikkeiden määrää erityisesti taudin pitkälle edenneissä vaiheissa, joille on usein ominaista vakava vamma, keventää joskus iäkkäiden tai työssäkäyvien omaishoitajien taakkaa ja mahdollistaa konsultaatiot. suorittaa syrjäisillä alueilla, joihin ei ole helposti saavutettavissa.

Näiden järjestelmien vertailu ja validointi liikeanalyysin kultaiseen standardiin, jota edustavat kävelyanalyysit liikkeenkaappauksilla ja jo validoituihin analyysijärjestelmiin inertia-antureilla, on keskeinen osa etädiagnoosia ja hoitojen etävalvontaa tukevien kliinisten työkalujen kehittämistä. farmakologiset ja kuntoutushoidot.

Samoin tekoälyjärjestelmien soveltaminen graafisen eleen kinemaattiseen analyysiin on mahdollistanut erilaisten hahmontunnistusjärjestelmien kehittämisen käsinkirjoituksen automaattiseen tunnistamiseen eri sovellusalueilla.

Dysgrafiset piirteet liittyivät kliinisissä ja neuropsykologisissa testeissä paljastettuihin motoristen ja kognitiivisten toimintojen poikkeavuuksiin sekä käsinkirjoitukseen liittyvän aivokuoren toiminnan neurofysiologisiin korrelaatteihin, kuten elektroenkefalogrammiin (EEG).

Käsinkirjoituksen analysointijärjestelmä, joka käyttää tekoälyjärjestelmiä ja sisältää validoitujen neuropsykologisten testien suorittamisen kaupallisten grafiikkataulujen avulla, jotka suoritetaan osana normaalia kliinistä käytäntöä - kuten yksinkertainen avohoitokäynti tai rakenteellisen neuropsykologisen tutkimuksen osana. nyt yleinen monitieteinen lähestymistapa, joka luonnehtii NDD-potilaiden hoitoa - voisi olla erityisen hyödyllinen PD-MCI:ssä sekä motoristen että kognitiivisten oireiden etenemisen seuraamisessa. Kustannustehokkaana ja ei-invasiivisena motorisen ja kognitiivisen suorituskyvyn mittana graafisia eleanalyysijärjestelmiä voitaisiin soveltaa toistuvasti ajan mittaan ilman sarja- tai metaoppimisvaikutuksia.

Toinen keskeinen näkökohta NDD:n varhaisessa diagnosoinnissa on äänianalyysi: ihmisäänen tuotanto tapahtuu järjestelmien ja alajärjestelmien (äänihuulet, kurkunpää, äänihuulet, suuontelo ja muut) monimutkaisilla ja synergistisilla liikkeillä, joihin voidaan vaikuttaa. puhujan terveydentilasta riippuen. Erityisesti neurodegeneratiivisten sairauksien joukossa PD ja Parkinsonismi sisältävät dramaattisia, objektiivisia ja mitattavissa olevia muutoksia äänen tuotannossa, joihin voi sisältyä (muun muassa) kohonnut melutaso (johtuen äänihuutteiden epätäydellisestä sulkeutumisesta) ja äänen menetys (dysartrofonia, dysartria ja hypofonia). Vaikka puhehäiriön arviointi voidaankin tehdä laryngoskoopilla ja videostroboskooppisilla instrumenteilla, nämä ovat erittäin kalliita testejä, jotka vaativat paljon aikaa ja ammattitaitoista henkilökuntaa. Ääneen perustuvat tekoälyjärjestelmät, jotka hyödyntävät kaupallisia järjestelmiä (äänenkestävällä mikrofonilla varustetut mobiililaitteet), voisivat mahdollistaa äänen analysoinnin tekoälyalgoritmeilla taudin diagnosoimiseksi sen varhaisessa vaiheessa.

Yleisten laboratorioveren kemiallisten parametrien pitkäaikainen analyysi ja erilaisten biologisten näytteiden, kuten ulostenäytteiden analyysi mikrobiotaanalyysiä varten, jotka kroonisia sairauksia, kuten NDD:itä sairastavat potilaat suorittavat rutiinitarkastuksina, voisivat mahdollistaa assosiaatioiden ja varhaisten merkkiaineiden tunnistamisen, jotka ovat hyödyllisiä taudin etenemisen diagnosointi ja seuranta.

Samalla otetaan käyttöön yhä tehokkaampia ja tarkempia aivojen kuvantamisjärjestelmiä, joita tukevat koneoppimisjärjestelmät ja tekoälytekniikat, jotta saadaan entistä tarkempi etiologinen diagnoosi.

Oleellista on, että jokainen hermostoa rappeuttava sairaus suosii tiettyä aivoverkostoa, joka puolestaan ​​liittyy tiettyyn kudoshäviöön tietyillä aivoalueilla. Siksi mahdollisuus tunnistaa uusia neuroimaging-markkereita koneoppimisjärjestelmien avulla, jotka ohjaavat erotusdiagnoosia ja arvioivat tarkasti taudin kulun.

Yhteenvetona voidaan todeta, että MARKERS-NDD-tutkimuksessa omaksuttu lähestymistapa on olennainen, jotta voidaan lisätä kunnianhimoisen strategian menestysmahdollisuuksia. Tavoitteena on kehittää neurodegeneratiivisten sairauksien etenemisen markkereita, jotka nopeuttavat sairautta modifioivan hoidon etsintää.