予測アルゴリズムによるパーキンソン病の治療の変革 (TechHealthPD)
パーキンソン病の予測アルゴリズムを通じて患者のケアとライフスタイルに革命を起こす
調査の概要
詳細な説明
パーキンソン病 (PD) は 2 番目に蔓延している神経変性疾患であり、運動調整に影響を与える最も一般的な疾患であり、65 歳以上の人口の 2%、80 歳以上の人口の 4% が罹患しています [1、2]。 PDと診断された患者は、重度の運動症状および非運動症状に苦しんでいます。 典型的な運動症状には、安静時振戦または固縮、運動緩慢と呼ばれる随意運動の遅さ、話すときの発音の困難などが含まれますが、非運動症状には睡眠、認知機能および自律機能障害が考えられます[3、4]。 PD は運動機能を混乱させるだけでなく、この状態を抱えて生活する人々の生活の質、睡眠パターン、認知面、気分にも大きな影響を与えます。 PD を治療する方法はありませんが、投薬、手術、学際的なアプローチなどの特定の治療法は、PD 関連の症状に効果的に対処し、管理することができます。 治療法の多様性と、日常生活機能に対する運動症状および非運動症状の多様な影響を考慮すると、より包括的な介入の必要性が高まっています。 多くの研究が、身体活動 (PA) などのライフスタイル介入が PD のさまざまな側面に及ぼす影響を調査しており、PD 患者は一般的な健康状態の改善から疾患特有の効果や潜在的な可能性まで、さまざまな方法で PA から恩恵を受ける可能性があることを示唆しています。 、疾患を修飾する転帰[5、6]。 この目的のために、我々は、PD患者の皮膚線維芽細胞におけるミトコンドリア機能に対するPAの影響を研究するために実施されたランダム化二重盲検臨床試験を実施した(NCT05963425)[7]。 これは、24 人の患者を対象とした介入研究であり、ランダムに 3 つのグループ (1 グループあたり 8 人の患者) に割り当てられました。 最初のグループは筋力と抵抗力に基づいた基礎体力トレーニング (BPT) を実施し、2 番目のグループは認知トレーニングと運動トレーニングを伴う機能訓練と組み合わせた BPT (BPTFE) を実施し、3 番目のグループは活動プログラムを実行せず、対照として機能しました。 PA 介入は 60 分間、週に 3 回の頻度で 16 週間続きました。 主な目的は、ミトコンドリア機能に対する PA の影響と、運動機能、生活の質、睡眠、認知的側面、気分などのさまざまな臨床因子に対する PA の影響を評価することでした。
このプロジェクトは、前回の研究で得られた総合的な洞察に基づいて、人工知能 (AI) を利用して、PD 人口の健康的な習慣と最適な臨床管理を促進する技術的スマート プラットフォームの作成に着手します。 技術プラットフォームは、PD 管理の状況を変革するためのツールとして登場します。 これらのプラットフォームは、継続的なモニタリングや、たとえばライフスタイルに組み込まれた運動プログラムなどを統合した個別の介入を促進できます [8,9]。 しかし、技術的介入は健康的な習慣の促進に有望であることが示されています[10]が、PDの文脈におけるパーソナライズされた介入のためのAIの統合に関する研究は限られています[11]。 これまでに開発されたモデルには、単一の機能のみを使用するなど、いくつかの重要な制限があります。 運動症状)、患者が一定の進行をたどるというモデルの仮定、またはPDに対する対症療法のプラス効果とマイナス効果の両方を考慮していない[12]。 ここでは、現在の制限に対処し、健康的な習慣を促進し、臨床面を最適化できるスマートなプラットフォームを専門家、患者、介護者に提供する AI モデルに基づく総合的なアプローチを提案します。 ここで我々は、パーキンソン病評価尺度の運動障害学会後援改訂版(MDS-UPDRS)からの50以上の他の変数を組み込むことにより、PD患者にとってPAの重要性と他の健康習慣を認識している。 PD患者の運動症状と非運動症状の両方を評価し、日常生活経験、運動検査、治療関連の運動合併症を評価する4つの部分に分けています。 重要なのは、収集されたデータは、PD進行のバイオマーカーを特定するために設計された1500人以上の患者を対象とした画期的な研究であるパーキンソン病進行マーカーイニシアチブ(PPMI)で検証され、我々の発見の信頼性と適用性が高まることです。 このプロジェクトの実行が成功すると、Web インターフェイスとモバイル インターフェイスを組み合わせた統合ソリューションが完成し、PD 診断およびモニタリング機能の全体的なアクセシビリティと有効性が向上します。 提案された AI ベースのスマート プラットフォームは、主に運動症状と非運動症状の両方に対処することで PD 患者の生活の質を向上させるという点で、社会的に重要な意味を持っています。 これは、PD 管理に対するより包括的で個別化されたアプローチを促進し、疾患の特定の側面に焦点を当てていることが多い現在の治療法の限界を超えています。 このプラットフォームは、確立された臨床データベースからの幅広い変数を組み込むことにより、健康的な習慣を促進し、臨床結果を最適化するカスタマイズされた介入を提供することを目指しています。 さらに、プラットフォームによる継続的なモニタリングと適応的介入のための AI の使用は、患者と介護者に力を与え、リアルタイムのサポートを提供し、医療システムの負担を軽減します。 これは、より患者中心の積極的なケアへの移行を表しており、PDの影響を受ける高齢者の疾患進行管理と生活の質を改善する可能性があります。 結論として、この包括的なアプローチは、PD の進行に関する貴重な洞察を提供し、臨床現場での健康的な習慣の実践をサポートすることを目指しています。
研究の種類
入学 (推定)
連絡先と場所
研究連絡先
- 名前:Joel Montane, PhD
- 電話番号:0034932533256
- メール:joelmm@blanquerna.url.edu
研究場所
-
-
-
Barcelona、スペイン、08022
- Ramon Llull University
-
コンタクト:
- Joel Montane, PhD
- メール:joelmm@blanquerna.url.edu
-
-
参加基準
適格基準
就学可能な年齢
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
サンプリング方法
調査対象母集団
説明
包含基準:
- パーキンソン病患者
除外基準:
- 該当なし
研究計画
研究はどのように設計されていますか?
デザインの詳細
コホートと介入
グループ/コホート |
介入・治療 |
|---|---|
|
ライフスタイル介入アプリ
患者グループには、パーキンソン病 (PD) と診断された個人が含まれます。
このコホートには、さまざまな病期、重症度、人口統計学的特徴が含まれます。
|
食事、身体活動プログラム、睡眠習慣、その他のライフスタイル介入を統合するテクノロジースマートプラットフォーム(アプリ)
|
この研究は何を測定していますか?
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
運動障害協会の後援による統一パーキンソン病評価尺度の改訂 (MDS-UPDRS)
時間枠:入会(アプリダウンロード)から1年間
|
MDS-UPDRS は、日常生活における非運動経験および運動経験、運動合併症など、パーキンソン病のさまざまな側面を評価するために開発されました。
MDS-UPDRS の合計スコア範囲は 0 ~ 236 で、個々の部品のスコアは 0 ~ 52 (パート I および II)、0 ~ 108 (パート III)、および 0 ~ 24 (パート IV) であり、モーターとモーターの両方を評価します。パーキンソン病の非運動面。
スコアが高いほど、パーキンソン病の症状がより深刻であることを示します。
|
入会(アプリダウンロード)から1年間
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
モントリオール認知評価 (MoCA)
時間枠:入会時(アプリダウンロード時)と1年後
|
MoCA (Montreal Cognitive Assessment) スケールの合計スコア範囲は 0 ~ 30 で、スコアが高いほど認知機能が良好であることを示し、記憶、注意、言語、実行機能などのさまざまな認知領域を評価します。
|
入会時(アプリダウンロード時)と1年後
|
協力者と研究者
出版物と役立つリンク
一般刊行物
- Magana JC, Deus CM, Baldellou L, Avellanet M, Gea-Rodriguez E, Enriquez-Calzada S, Laguna A, Martinez-Vicente M, Hernandez-Vara J, Gine-Garriga M, Pereira SP, Montane J. Investigating the impact of physical activity on mitochondrial function in Parkinson's disease (PARKEX): Study protocol for A randomized controlled clinical trial. PLoS One. 2023 Nov 22;18(11):e0293774. doi: 10.1371/journal.pone.0293774. eCollection 2023.
- Jossa-Bastidas O, Zahia S, Fuente-Vidal A, Sanchez Ferez N, Roda Noguera O, Montane J, Garcia-Zapirain B. Predicting Physical Exercise Adherence in Fitness Apps Using a Deep Learning Approach. Int J Environ Res Public Health. 2021 Oct 14;18(20):10769. doi: 10.3390/ijerph182010769.
研究記録日
主要日程の研究
研究開始 (推定)
一次修了 (推定)
研究の完了 (推定)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。