Progresjonsmarkører for nevrodegenerative sykdommer (MARKERS-NDD) (MARKERS-NDD)

Tatt i betraktning de nåværende estimatene og den globale sosiale og økonomiske byrden av nevrodegenerative sykdommer, er endringer i måten og tidspunktet for en diagnose av disse sykdommene påtrengende nødvendig, så vel som i aktualiteten som effektive terapeutiske intervensjoner utføres med. Kompleksiteten til de molekylære mekanismene som ligger til grunn for nevronal degenerasjon og heterogeniteten til populasjonen av pasienter som er rammet av nevrodegenerative sykdommer, utgjør enorme utfordringer for utviklingen av tidlige diagnostiske verktøy og systemer som er i stand til å forutsi sykdomsforløpet.

Til tross for intensiv forskning innen farmakologi, kirurgi og rehabilitering, forblir nevrodegenerative sykdommer kroniske progressive sykdommer uten en terapi som kan endre forløpet.

MARKERS-NDD er en prospektiv, observasjonell, longitudinell studie, som tar sikte på å samle inn data fra pasienter rammet av nevrodegenerative sykdommer (NDD) fulgt longitudinelt for rutineundersøkelser utført som en del av normal klinisk praksis. Data samlet inn fra kliniske evalueringer, bevegelsesanalyser, hjerneavbildning, nevropsykologiske og elektroencefalografiske vurderinger, blodkjemi-tester vil bli analysert for å utføre statistiske undersøkelser og prediktive analyser, også ved bruk av kunstige intelligenssystemer, som muliggjør identifisering av nye tidlige markører for diagnose og prognose. av nevrodegenerative sykdommer.

Kvantitativ bevegelsesanalyse, ved hjelp av standard bevegelsesfangstsystemer (ganganalyse) og med bærbare treghetssensorer, er et gyldig verktøy både for å støtte klinisk diagnostikk og for å vurdere responsen på farmakologisk behandling, og for å overvåke progresjonen av NDD. Fra dette perspektivet kan den kinematiske analysen av gangart og grafiske gester avsløre tidlige endringer av motoriske funksjoner for å støtte differensialdiagnosen og stratifiseringen til pasienten og tillate oss å følge sykdommens utvikling over tid.

Selv om motoriske symptomer representerer nøkkelaspekter for differensialdiagnose mellom parkinsonsyndrom og demens, kan endringer i kognitive funksjoner, og spesielt av eksekutive funksjoner, også være tilstede i de tidlige stadier av sykdommen hos pasienter med synukleinopatier som PD og Lewy Body Demens.

Ved Parkinsons sykdom (PD) kan disse kognitive lidelsene utvikle seg over tid mot en mild kognitiv nedgang (Mild kognitiv svikt, PD-MCI) opp til demens (Parkinson Disease Dementia, PDD).

Identifikasjon av nevropsykologiske markører som kan forutsi utviklingen av disse sykdommene og risikoen for konvertering hos pasienter med PD er et avgjørende aspekt for behandling og behandling av pasienter i de ulike fasene av sykdommen.

I tiden med kunstig intelligens (AI), med introduksjonen av AI-drevet datasyn, kan menneskelig bevegelse spores og analyseres i sanntid ved hjelp av et enkelt kamera med mobile enheter, som nettbrett og smarttelefoner, og potensielt eliminere behovet for ekstra sensorer eller spesialutstyr. Derfor kan en tilnærming som telemedisin ved bruk av AI tilby nye muligheter og utfordringer for fjerndiagnostikk, telemonitorering og telerehabilitering ved nevrologiske lidelser som nevrodegenerative sykdommer. Bevegelsesanalyse basert på AI-drevet datasyn kan redusere antall pasientbevegelser, spesielt i avanserte stadier av sykdommen, ofte preget av alvorlig funksjonshemming, lette byrden for omsorgspersoner som noen ganger er eldre eller engasjert i arbeidsaktiviteter, og tillate konsultasjoner skal utføres i avsidesliggende områder som ikke er lett tilgjengelige.

Sammenligningen og valideringen av disse systemene med gullstandarden for bevegelsesanalyse representert ved ganganalyse med bevegelsesfangst og de allerede validerte analysesystemene med treghetssensorer, utgjør en nøkkelbrikke i utviklingen av kliniske verktøy som støtter fjerndiagnose og teleovervåking av terapier. farmakologiske og rehabiliterende behandlinger.

På samme måte har bruken av kunstig intelligenssystemer for kinematisk analyse av den grafiske gesten tillatt utviklingen av forskjellige mønstergjenkjenningssystemer for automatisk gjenkjenning av håndskrift i forskjellige bruksområder.

Dysgrafiske trekk var relatert til abnormiteter i motoriske og kognitive funksjoner avslørt av kliniske og nevropsykologiske tester, samt til nevrofysiologiske korrelater av håndskriftrelatert kortikal aktivitet som elektroencefalogram (EEG).

Håndskriftanalysesystem som bruker AI-systemer og involverer utførelse av validerte nevropsykologiske tester, ved hjelp av kommersielle grafiske nettbrett, utført som en del av normal klinisk praksis - for eksempel et enkelt poliklinisk besøk eller under en strukturell nevropsykologisk undersøkelse som en del av den nå vanlige multidisiplinære tilnærmingen som kjennetegner behandlingen av pasienter med NDD - kan være spesielt nyttig i PD-MCI for å følge utviklingen av både motoriske og kognitive symptomer. Som et kostnadseffektivt og ikke-invasivt mål på motorisk og kognitiv ytelse, kan grafiske gestanalysesystemer brukes gjentatte ganger over tid uten serielle eller meta-læringseffekter.

Et ytterligere nøkkelaspekt i tidlig diagnose av NDD er representert ved stemmeanalyse: produksjonen av den menneskelige stemmen skjer gjennom komplekse og synergistiske bevegelser av systemer og subsystemer (stemmebånd, strupehode, glottis, munnhule og mer), som kan påvirkes av helsetilstanden til høyttaleren. Spesielt blant nevrodegenerative sykdommer involverer PD og Parkinsonisme dramatiske, objektive og målbare endringer i stemmeproduksjonen, som kan inkludere (blant annet) økte støynivåer (på grunn av ufullstendig lukking av stemmefoldene) og tap av stemmen (dysartrofoni, dysartri og hypofoni). Selv om evaluering av taleforstyrrelser faktisk kan utføres via laryngoskop og video-stroboskopiske instrumenter, er dette svært kostbare tester som krever mye tid og kvalifisert personell. Stemmebaserte kunstig intelligenssystemer som benytter kommersielle systemer (mobilenheter utstyrt med mikrofoner med lydrobusthet) kan tillate analyse av stemmen med kunstig intelligensalgoritmer, for å diagnostisere sykdommen i dens tidlige stadier.

En langsiktig analyse av vanlige laboratorieblodkjemiparametere og analyse av forskjellige biologiske prøver, som avføringsprøver for mikrobiotaanalyse, utført som rutinekontroller av pasienter med kroniske sykdommer som NDD kan tillate identifisering av assosiasjoner og tidlige markører som er nyttige i diagnostisering og overvåking av sykdomsprogresjon.

Samtidig introduseres stadig kraftigere og mer nøyaktige hjerneavbildningssystemer, støttet av maskinlæringssystemer og kunstig intelligens-teknikker, for å oppnå en stadig mer nøyaktig etiologisk diagnose.

Relevant er at hver nevrodegenerativ sykdom favoriserer et spesifikt hjernenettverk som igjen er assosiert med et spesifikt tap av vev i bestemte hjerneregioner. Derfor muligheten for å identifisere nye nevroavbildningsmarkører gjennom maskinlæringssystemer for å veilede differensialdiagnosen og nøyaktig evaluere sykdomsforløpet.

Avslutningsvis er tilnærmingen vedtatt av MARKERS-NDD-studien grunnleggende for å øke potensialet for suksess for en ambisiøs strategi som tar sikte på å utvikle markører for progresjon av nevrodegenerative sykdommer som akselererer søket etter sykdomsmodifiserende terapi.