Ontwikkeling van digitale diagnostische apparaten voor de ziekte van Parkinson

De ziekte van Parkinson (PD) is wereldwijd een van de meest voorkomende neurodegeneratieve ziekten en treft 1% van de bevolking ouder dan 65 jaar.

Momenteel is de diagnose van Parkinson gebaseerd op anamnese, klinische beoordelingen en neurologisch onderzoek.

De meest gebruikte criteria voor diagnose zijn de criteria en het instrument van de Movement Disorder Society (MDS). De MDS-UPDRS). Verdere informatie kan worden verkregen uit de subjectieve beschrijving van mensen van hun symptomen en/of via enkele korte looptesten, zoals de 3 meter Timed Up and Go (TUG), uitgevoerd als momentopname in de kliniek. De symptomen van mensen variëren echter van dag tot dag en subjectieve beschrijvingen zijn afhankelijk van hun geheugen en observaties thuis. Deze herinneringen kunnen onbetrouwbaar zijn of onvoldoende gedetailleerd zijn (vooral als de persoon een cognitieve beperking heeft). Daarom zijn de huidige diagnosecriteria voor de ziekte van Parkinson sterk afhankelijk van de persoon en van de diagnosticerende arts. Deze subjectiviteit kan leiden tot een variabiliteit in de diagnose. Bovendien zijn deze klinische beoordelingen niet in staat de ziekteprogressie in de loop van de tijd nauwkeurig te volgen, waardoor het moeilijk wordt om gepersonaliseerde zorg te bieden. Bovendien ontbreken bij handmatige onderzoeken nauwkeurige meetinstrumenten, wat resulteert in een lage nauwkeurigheid van de waargenomen metingen en het onvermogen om subklinische symptomen in een vroeg stadium te detecteren. Een objectieve diagnose gebaseerd op kwantitatieve gegevens in plaats van op subjectieve interpretatie van klinische bevindingen is belangrijk2. Daarom zijn een vroege en nauwkeurige diagnose van de ziekte van Parkinson, evenals een nauwkeurige monitoring van de ziekteprogressie, nog steeds belangrijke uitdagingen bij de ziekte van Parkinson.

Bij de ziekte van Parkinson zijn verschillende oculovisuele afwijkingen beschreven. Studies rapporteren een abnormale oogmotorische functie bij 75-87,5% van de mensen met de ziekte van Parkinson (3,4). Deze disfuncties kunnen voorafgaan aan of volgen op motorische symptomen en dus kan de evaluatie van de oculaire motorische functie waardevolle informatie opleveren met betrekking tot vroege ziektedetectie of ziekteprogressie (5). De meest gemelde oculaire motorische disfuncties zijn stoornissen in saccades, vlotte achtervolging en vergentie (3,4,6).

Loopproblemen behoren tot de meest voorkomende en invaliderende symptomen van Parkinson (29). Loopproblemen zijn onder meer ‘freeze of gait’ (FOG), een onvermogen om normale looppatronen te initiëren of te behouden, wat vaak resulteert in een stochastische stop/start-gang, en festinating gait (FSG), wat een verkorting van de paslengte is met een verhoogde stapfrequentie, resulterend in in snelle, schuifelende stappen. Zowel FOG als FSG dragen bij aan een verhoogd risico op vallen (en valgerelateerde verwondingen) bij mensen met de ziekte van Parkinson in vergelijking met de bredere oudere bevolking. Objectieve en continue monitoring op afstand zou van groot belang zijn bij mensen met de ziekte van Parkinson, om loopstoornissen objectief in realtime te volgen, en mogelijk bij te dragen aan het objectief volgen van de ziekteprogressie, wat kan leiden tot gepersonaliseerde zorg voor mensen met de ziekte van Parkinson.

In dit project zullen oculaire motorische, pupil- en loopgegevens bij mensen met de ziekte van Parkinson (PD) worden verzameld om machine learning-modellen te ontwikkelen voor de diagnose en monitoring van Parkinson. Hiermee willen de onderzoekers de stand van zaken op het gebied van de diagnose en monitoring van de ziekte van Parkinson bevorderen. Door de principes van machinaal leren te integreren met hoogwaardige sensorgegevens kan mogelijk een nauwkeurigere en eerdere diagnose worden bereikt. Gegevens over de oogmotoriek en de pupillen worden verzameld tijdens het standaard klinische onderzoek en bij neos, een medisch apparaat dat is goedgekeurd voor objectieve meting van de oogmotoriek en de pupillen. Het gangpatroon wordt gemeten met behulp van een IMU-sensor en GaitQ senti, een consumentenapparaat dat objectieve en continue loopmonitoring op afstand mogelijk maakt.

Het primaire doel van dit project is het verzamelen van oculaire motor-, pupil- en loopgegevens van mensen met de ziekte van Parkinson om machine learning-modellen te ontwikkelen en te vergelijken voor het diagnosticeren en monitoren van de ziekte van Parkinson.

Secundaire doelstellingen zijn:

• Correleer oculaire motor-, pupil- en loopparameters met verschillende klinische parameters, waaronder de MDS-UPDRS.
• Verzamel real-world evidence (RWE) gegevens over gezondheidseconomische parameters om de individuele en gecombineerde eigenschappen, effecten en/of impacts van de ingezette gezondheidstechnologieën aan te pakken.
• Door de verzamelde gegevens te analyseren, willen we ook bijdragen aan het wetenschappelijke begrip van de ziekte van Parkinson, waardoor mogelijk nieuwe inzichten in ziektepatronen, progressie en respons op behandelingen aan het licht komen.