Utvikling av digitale diagnostiske enheter for Parkinsons sykdom

Parkinsons sykdom (PD) er en av de vanligste nevrodegenerative sykdommene på verdensbasis, og rammer 1 % av befolkningen over 65 år.

For tiden er PD-diagnose basert på anamnese, kliniske vurderinger og nevrologisk undersøkelse.

De mest brukte kriteriene for diagnose er Movement Disorder Society (MDS) kriterier og instrument (dvs. MDS-UPDRS). Ytterligere informasjon kan hentes fra folks subjektive beskrivelse av symptomene og/eller via noen korte gangtester, for eksempel 3-meter Timed Up and Go (TUG) utført som et øyeblikksbilde i klinikken. Imidlertid varierer folks symptomer gjennom og mellom dager, og subjektive beskrivelser er avhengige av deres hukommelse og observasjoner hjemme. Disse erindringene kan være upålitelige eller mangle nok detaljer (spesielt når personen har kognitiv svikt). Derfor er gjeldende PD-diagnosekriterier svært avhengig av personen og den diagnostiserende legen. Denne subjektiviteten kan føre til en variasjon i diagnosen. Videre er disse kliniske vurderingene ikke i stand til å spore sykdomsprogresjon nøyaktig over tid, noe som gjør det vanskelig å gi personlig omsorg. I tillegg mangler manuelle undersøkelser presise måleinstrumenter, noe som resulterer i lav presisjon av observerte målinger og manglende evne til å oppdage subkliniske tegn i tidlig stadium. En objektiv diagnose basert på kvantitative data fremfor subjektiv tolkning av kliniske funn er viktig2. Derfor er en tidlig og nøyaktig diagnose av PD, samt nøyaktig overvåking av sykdomsprogresjon, fortsatt viktige utfordringer ved PD.

Flere oculo-visuelle abnormiteter er beskrevet i PD. Studier rapporterer en unormal okulær motorisk funksjon hos 75-87,5 % av personer med PD (3,4). Disse dysfunksjonene kan gå foran eller følge motoriske symptomer, og evalueringen av okulær motorisk funksjon kan derfor gi verdifull informasjon om tidlig sykdomsdeteksjon eller sykdomsprogresjon (5). De hyppigst rapporterte okulærmotoriske dysfunksjonene er svekkelser i sakkadene, jevn forfølgelse og vergens (3,4,6).

Gangvansker er blant de vanligste og mest invalidiserende symptomene på PD (29). Gangvansker inkluderer frysing av gangart (FOG), manglende evne til å sette i gang eller opprettholde normale gangmønstre, ofte som resulterer i en stokastisk stopp/startgang, og festinerende gangart (FSG), som er en forkorting av skrittlengden med forhøyet skrittfrekvens, som resulterer i i raske, stokkende trinn. Både FOG og FSG bidrar til økt risiko for fall (og fallrelaterte skader) hos personer med PD i forhold til den bredere eldre befolkningen. Objektiv og kontinuerlig ekstern gangovervåking vil være svært viktig hos personer med PD, for objektivt å spore gangvansker i sanntid, og potensielt bidra til objektivt å spore sykdomsprogresjon, noe som kan føre til personlig omsorg for personer med PD.

I dette prosjektet vil det samles inn okulær motor-, pupill- og gangdata hos personer med Parkinsons sykdom (PD) for å utvikle maskinlæringsmodeller for diagnostisering og overvåking av PD. Med dette tar etterforskerne sikte på å fremme toppmoderne innen PD-diagnose og overvåking. Ved å integrere prinsippene for maskinlæring med sensordata av høy kvalitet, kan mer nøyaktig og tidligere diagnose potensielt oppnås. Okulær motorisk og pupilldata vil bli samlet inn med standard klinisk undersøkelse og med neos, et medisinsk utstyr godkjent for objektiv øyemotorisk og pupillmåling. Gange vil bli samlet inn ved hjelp av en IMU-sensor og GaitQ senti, en forbrukerenhet som muliggjør objektiv og kontinuerlig ekstern gangovervåking.

Hovedmålet med dette prosjektet er å samle inn okulær motor-, pupill- og gangdata fra personer med PD for å utvikle og sammenligne maskinlæringsmodeller for diagnostisering og overvåking av PD.

Sekundære mål er:

• Korreler okulær motor, pupill og gangparametere med flere kliniske parametere, inkludert MDS-UPDRS.
• Samle virkelige bevisdata (RWE) angående helseøkonomiske parametere for å adressere de individuelle og kombinerte egenskapene, effektene og/eller virkningene av de utplasserte helseteknologiene.
• Ved å analysere dataene som samles inn, tar vi også sikte på å bidra til den vitenskapelige forståelsen av PD, og ​​potensielt avdekke ny innsikt i sykdomsmønstre, progresjon og respons på behandlinger.