Markery postępu chorób neurodegeneracyjnych (MARKERS-NDD) (MARKERS-NDD)

Biorąc pod uwagę obecne szacunki oraz globalne obciążenie społeczne i ekonomiczne chorobami neurodegeneracyjnymi, pilnie potrzebne są zmiany w sposobie i czasie diagnozowania tych chorób, a także terminowości przeprowadzania skutecznych interwencji terapeutycznych. Złożoność mechanizmów molekularnych leżących u podstaw zwyrodnienia neuronów oraz niejednorodność populacji pacjentów dotkniętych chorobami neurodegeneracyjnymi stwarzają ogromne wyzwania dla rozwoju wczesnych narzędzi i systemów diagnostycznych zdolnych przewidywać przebieg choroby.

Pomimo intensywnych badań z zakresu farmakologii, chirurgii i rehabilitacji, choroby neurodegeneracyjne pozostają chorobami przewlekłymi, postępującymi, bez terapii mogącej zmienić przebieg.

MARKERS-NDD to prospektywne, obserwacyjne badanie podłużne, którego celem jest zebranie danych od pacjentów dotkniętych chorobami neurodegeneracyjnymi (NDD), obserwowanych podłużnie w ramach rutynowych badań wykonywanych w ramach normalnej praktyki klinicznej. Dane zebrane z ocen klinicznych, analiz ruchowych, obrazowania mózgu, ocen neuropsychologicznych, elektroencefalograficznych, badań biochemicznych krwi zostaną poddane analizie w celu przeprowadzenia badań statystycznych i analiz predykcyjnych, również z wykorzystaniem systemów sztucznej inteligencji, które pozwalają na identyfikację nowych wczesnych markerów diagnozy i rokowania chorób neurodegeneracyjnych.

Ilościowa analiza ruchu przy pomocy standardowych systemów rejestracji ruchu (analiza chodu) i przenośnych czujników inercyjnych jest skutecznym narzędziem zarówno wspierającym diagnostykę kliniczną, jak i ocenę odpowiedzi na leczenie farmakologiczne oraz monitorowanie postępu NDD. Z tej perspektywy analiza kinematyczna chodu i gestów graficznych może ujawnić wczesne zmiany cech motorycznych, co pomoże w diagnostyce różnicowej i stratyfikacji pacjenta oraz umożliwi śledzenie postępu choroby w czasie.

Chociaż objawy motoryczne stanowią kluczowy aspekt w diagnostyce różnicowej między zespołem Parkinsona a otępieniem, zmiany funkcji poznawczych, a w szczególności funkcji wykonawczych, mogą również występować we wczesnych stadiach choroby u pacjentów z synukleinopatiami, takimi jak PD i otępienie z ciałami Lewy'ego.

W chorobie Parkinsona (PD) te zaburzenia poznawcze mogą z czasem ewoluować, prowadząc do łagodnego pogorszenia funkcji poznawczych (łagodne zaburzenia poznawcze, PD-MCI) aż do demencji (otępienie spowodowane chorobą Parkinsona, PDD).

Identyfikacja markerów neuropsychologicznych, które mogą przewidzieć postęp tych chorób i ryzyko konwersji u pacjentów z ChP, jest kluczowym aspektem leczenia i postępowania z pacjentami w różnych fazach choroby.

W dobie sztucznej inteligencji (AI), wraz z wprowadzeniem widzenia komputerowego opartego na sztucznej inteligencji, ruch człowieka można śledzić i analizować w czasie rzeczywistym przy pomocy prostej kamery urządzeń mobilnych, takich jak tablety i smartfony, co potencjalnie eliminuje potrzeba dodatkowych czujników lub specjalistycznego sprzętu. Dlatego podejście takie jak telemedycyna wykorzystująca sztuczną inteligencję może zaoferować nowe możliwości i wyzwania w zakresie zdalnej diagnostyki, telemonitorowania i telerehabilitacji w zaburzeniach neurologicznych, takich jak choroby neurodegeneracyjne. Analiza ruchu oparta na wizji komputerowej opartej na sztucznej inteligencji mogłaby zmniejszyć liczbę ruchów pacjentów, szczególnie w zaawansowanych stadiach choroby, często charakteryzujących się znaczną niepełnosprawnością, odciążyć opiekunów, którzy czasami są starsi lub zajęci pracą zawodową, a także umożliwić konsultacje należy przeprowadzić w odległych obszarach, do których nie można łatwo dotrzeć.

Porównanie i walidacja tych systemów ze złotym standardem analizy ruchu, jakim jest analiza chodu z przechwytywaniem ruchu, oraz już zatwierdzonymi systemami analizy z czujnikami inercyjnymi, stanowi kluczowy element w rozwoju narzędzi klinicznych wspierających zdalną diagnostykę i telemonitorowanie terapii leczenie farmakologiczne i rehabilitacyjne.

Podobnie zastosowanie systemów sztucznej inteligencji do analizy kinematycznej gestu graficznego umożliwiło opracowanie różnych systemów rozpoznawania wzorców do automatycznego rozpoznawania pisma ręcznego w różnych obszarach zastosowań.

Cechy dysgraficzne były związane z nieprawidłowościami funkcji motorycznych i poznawczych ujawnionymi w badaniach klinicznych i neuropsychologicznych, a także z neurofizjologicznymi korelatami aktywności korowej związanej z pismem ręcznym, takimi jak elektroencefalogram (EEG).

System analizy pisma ręcznego wykorzystujący systemy AI i polegający na wykonywaniu zwalidowanych testów neuropsychologicznych za pomocą komercyjnych tabletów graficznych, realizowanych w ramach normalnej praktyki klinicznej - np. zwykłej wizyty ambulatoryjnej lub podczas strukturalnego badania neuropsychologicznego jako elementu składowego powszechne obecnie multidyscyplinarne podejście charakteryzujące postępowanie z pacjentami z NDD – może być szczególnie przydatne w leczeniu PD-MCI w celu śledzenia postępu objawów zarówno motorycznych, jak i poznawczych. Jako opłacalna i nieinwazyjna miara wydajności motorycznej i poznawczej, systemy graficznej analizy gestów mogą być stosowane wielokrotnie w czasie bez efektów seryjnych lub metauczenia się.

Kolejnym kluczowym aspektem we wczesnej diagnostyce NDD jest analiza głosu: wytwarzanie ludzkiego głosu odbywa się poprzez złożone i synergistyczne ruchy systemów i podsystemów (struny głosowe, krtań, głośnia, jama ustna i inne), na które można wpływać ze względu na stan zdrowia mówiącego. W szczególności wśród chorób neurodegeneracyjnych chP i parkinsonizm wiążą się z dramatycznymi, obiektywnymi i mierzalnymi zmianami w produkcji głosu, które mogą obejmować (między innymi) zwiększony poziom hałasu (w wyniku niepełnego zamknięcia fałdów głosowych) i utratę głosu (dyzartrofonia, dyzartria i hipofonia). Choć ocenę zaburzeń mowy rzeczywiście można przeprowadzić za pomocą laryngoskopu i instrumentów wideostroboskopowych, są to badania bardzo drogie, wymagające dużej ilości czasu i wykwalifikowanego personelu. Systemy sztucznej inteligencji oparte na głosie, wykorzystujące systemy komercyjne (urządzenia mobilne wyposażone w mikrofony o solidności dźwięku) mogłyby pozwolić na analizę głosu za pomocą algorytmów sztucznej inteligencji w celu zdiagnozowania choroby we wczesnym stadium.

Długoterminowa analiza typowych parametrów chemii laboratoryjnej krwi oraz analiza różnych próbek biologicznych, takich jak próbki kału do analizy mikroflory, przeprowadzana w ramach rutynowych kontroli przez pacjentów z chorobami przewlekłymi, takimi jak NDD, mogłaby umożliwić identyfikację powiązań i wczesnych markerów przydatnych w diagnostyka i monitorowanie postępu choroby.

Jednocześnie wprowadzanie coraz potężniejszych i dokładniejszych systemów obrazowania mózgu, wspomaganych systemami uczenia maszynowego i technikami sztucznej inteligencji, w celu uzyskania coraz dokładniejszej diagnozy etiologicznej.

Istotne jest to, że każda choroba neurodegeneracyjna faworyzuje określoną sieć mózgową, co z kolei wiąże się ze specyficzną utratą tkanki w określonych obszarach mózgu. Dlatego też istnieje możliwość identyfikacji nowych markerów neuroobrazowania poprzez systemy uczenia maszynowego, które pomogą w prowadzeniu diagnostyki różnicowej i dokładnej ocenie przebiegu choroby.

Podsumowując, podejście przyjęte w badaniu MARKERS-NDD ma fundamentalne znaczenie dla zwiększenia potencjału powodzenia ambitnej strategii, której celem jest opracowanie markerów postępu chorób neurodegeneracyjnych, które przyspieszą poszukiwanie terapii modyfikującej przebieg choroby.