Zelf-uitgevoerd afstandsneurologisch onderzoek met mobiele applicatie bij patiënten met hersentumoren (NEMO)

De mobiele applicatie "Iskhaa" wordt ontwikkeld in samenwerking met de Electronics Division, Bhabha Atomic Research Centre (BARC). De applicatie zal compatibel zijn met Android versie 8.0 of hoger. De software zal twee componenten hebben: een mobiele applicatie (voor patiënten en zorgverleners) en een desktopapplicatie (voor zorgverleners). De gegevens die met de app worden vastgelegd, worden opgeslagen op een beveiligde ziekenhuisserver die toegankelijk is via het ziekenhuisnetwerk. Een voorbeeld van de verschillende klinische kenmerken die door de applicatie moeten worden vastgelegd, is opgenomen in Bijlage A. De mobiele applicatie wordt aanvankelijk ontwikkeld in het Engels en vervolgens vertaald naar Hindi, Marathi en Bengaals in geüpgrade versies gedurende de eerste 3-6 maanden. Vooraf opgenomen video's worden gebruikt om patiënten te begeleiden bij het herhalen van de handelingen die worden vastgelegd voor neurologisch onderzoek. Voorbeelden van dergelijke instructies zijn spraak (patiënt wordt gevraagd vaste zinnen uit te spreken), gang, bijvoorbeeld 20 stappen lopen, tandemlopen om de cerebellumfunctie te controleren, optillen van individuele ledematen, enz. Daarnaast zijn de European Organisation for Research and Treatment of Cancer (EORTC) kwaliteit van leven kernvragenlijst (QLQ-C30) en de hersentumormodule (BN20) beschikbaar in de mobiele applicatie. De vastgelegde symptomen worden opgeslagen in een beveiligde database en de onderzoekers hebben toegang om ze te bekijken via de mobiele of desktopapplicaties. Zodra een beoordeling (op locatie of op locatie) is voltooid, worden de gegevens elektronisch bijgewerkt op de centrale locatie in het Tata Memorial Centre en ontvangt de onderzoeker een herinnering. Versie-upgrades voor betere verbetering van de applicatie-interface voor betere gebruikersnaleving en software-updates worden periodiek uitgevoerd indien nodig. Een voorbeeld van de applicatie-interface wordt getoond in het onderstaande diagram.

Patiënten ouder dan 5 jaar met de diagnose hersentumor, met een verwachte levensverwachting van meer dan 6 maanden, en in staat om de instructies van de mobiele applicatie op te volgen, worden gescreend voor de studie. Zij worden geïncludeerd na het ondertekenen van een schriftelijke toestemmings- of instemmingsformulier, naar gelang van toepassing. De eerste fase van de studie omvat een beoordeling op locatie van 100 patiënten die de mobiele applicatie moeten gebruiken om symptomen te beoordelen en video's op te nemen voor neurologisch functioneel onderzoek. In deze fase wordt de applicatie geïnstalleerd op specifieke mobiele telefoons (die niet van de patiënt zijn). Na het uitvoeren van de evaluatie worden alle patiënten beoordeeld door de verantwoordelijke arts in de kliniek, die standaardprotocollen volgt. Er wordt een gedetailleerd neurologisch onderzoek uitgevoerd om alle aspecten van de symptomen en functionele beoordeling te dekken, zoals beschikbaar in de mobiele applicatie. Het primaire doel van de evaluatie op locatie is om technische ondersteuning te bieden voor het gebruik van de applicatie door het interne team voordat deze wordt geïnstalleerd op mobiele apparaten van patiënten om een naadloze overgang en gebruik mogelijk te maken. De tweede fase van de beoordeling omvat 500 patiënten die het virtuele onderzoek (off-site) zullen uitvoeren. De mobiele applicatie wordt geïnstalleerd op individuele telefoons wanneer toestemming is verkregen voor deelname aan de studie. Patiënten moeten maandelijks thuis evaluaties ondergaan met herinneringen voor het tijdig uitvoeren van de evaluaties, en zij worden telefonisch herinnerd bij vertraging van meer dan 7 dagen bij het afnemen van de beoordeling. Patiënten en verzorgers kunnen video's opnemen en uploaden met de mobiele camera. Bovendien krijgen patiënten instructies om zelfevaluaties (ongepland) uit te voeren bij symptomatische verslechtering. Patiënten blijven follow-up in de kliniek voor fysieke evaluatie elke 3-6 maanden volgens standaard institutionele praktijk en beeldvorming elke 6-12 maanden specifiek voor de histologische diagnose of zoals klinisch vereist bij neurologische verslechtering zoals bepaald door de verantwoordelijke arts, zonder enige invloed van de studiedeelname.

Alle voltooide gegevens zijn beschikbaar voor studieonderzoekers om op te halen. De symptomatologiebeoordeling wordt gepresenteerd als beschrijvende statistiek en seriële veranderingen worden geanalyseerd. De met de app vastgelegde gegevens worden gecorreleerd met de beoordeling door de arts tijdens elk kliniekbezoek. Er wordt computationele analyse uitgevoerd voor alle individuele taken die door de patiënt worden uitgevoerd en vastgelegd in videoformaat. Neurologisch functioneren (bijvoorbeeld gang en beweging) wordt vastgelegd met behulp van kunstmatige intelligentie-algoritmen met een hybride model dat convolutionele neurale netwerken (CNN's) en vision transformers (ViT's) combineert. De videogegevens ondergaan preprocessingsstappen om relevante kenmerken te extraheren, zoals silhouetten, skeletvoorstellingen of pose-sleutelpunten, met behulp van geavanceerde pose-estimatie tools zoals OpenPose. Elk frame wordt verwerkt door een CNN-backbone, zoals ResNet of EfficientNet, om laagniveau ruimtelijke kenmerken te extraheren. Deze kenmerken worden vervolgens gevoed naar een Vision Transformer-module, die wereldwijde temporele afhankelijkheden modelleert over de reeks frames, wat een robuuste representatie van de gang van de patiënt oplevert. Dit gecombineerde framework maakt de detectie mogelijk van subtiele anomalieën, afwijkingen of variaties in gang, die cruciaal zijn voor klinische monitoring. Het model wordt getraind en gevalideerd met behulp van videogegevens vastgelegd vanuit diverse patiëntenpopulaties en klinische scenario's. Door gebruik te maken van de granulariteit van high-speed beelden, streeft het model ernaar hoogprecisie-uitvoer te leveren, zoals gangclassificatie, anomaliedetectie of parameterregressie, afgestemd op de specifieke behoeften van toepassingen. De integratie van state-of-the-art technieken, zoals 3D Vision Transformers voor verbeterde spatiotemporele analyse, zorgt voor de robuustheid en generaliseerbaarheid van het model. Bovendien worden Explainable AI (XAI) methodologieën geïntegreerd om de voorspellingen van het model te interpreteren, wat actiegerichte inzichten oplevert en vertrouwen in het systeem bevordert.