Tim istraživača sa Univerziteta u Oksfordu je po prvi put pokazao da je moguće precizno pratiti napredovanje Parkinsonove bolesti koristeći posebno obučene algoritme mašinskog učenja za analizu podataka dobijenih od senzorskih uređaja koje nose pacijenti.
Nove metode opisane u ovoj studiji koju je vodila profesorka Kristalina Antoniades na Oksfordskom odeljenju za kliničke neuronauke Nafild mogu da koriste kliničari zajedno sa tradicionalnijim kliničkim skalama ocenjivanja ne samo da poboljšaju tačnost dijagnoze, već i da prate napredovanje Parkinsonove bolesti. „Identifikacija motoričke progresije kod Parkinsonove bolesti korišćenjem nosivih senzora i mašinskog učenja“ objavljeno je u npj Parkinsonova bolest.
Profesor Antoniades je rekao: „Mogućnost praćenja progresije motoričkih simptoma kod ljudi sa neurološkim poremećajima kao što je Parkinsonova bolest važna je iz dva glavna razloga: kliničari moraju da budu sigurni u svoju procenu kako bolest napreduje kod pojedinačnih pacijenata, a istraživači vođenje kliničkih ispitivanja treba da bude u stanju da izmeri koliko dobro terapijske intervencije funkcionišu.
„Ovo je važan razvoj za klinička ispitivanja. Dovođenje novog leka za bolest poput Parkinsonove od ranog razvoja do kliničke upotrebe traje godinama i troši ogromne resurse, a pokazalo se da mnogi lekovi koji izgledaju obećavajuće u laboratoriji ne deluju kod pacijenata. je od presudne važnosti da biste mogli da uočite one koji su efikasni što je pre moguće, tako da se rad na njima može ubrzati. Nadam se da će ovo biti olakšano sa ovim novim alatima za objektivno merenje.
„U ovom trenutku, kliničari koriste skale ocenjivanja (sisteme ocenjivanja zasnovane na fizičkom pregledu) da bi procenili ključne simptome ljudi sa Parkinsonovom bolešću. Jedan problem u vezi sa ovim je što postoji element subjektivnosti u proceni i različiti kliničari možda neće dati identični rezultati. Drugi problem je što skale nisu ravnomerno raspoređene—razlika između rezultata od 30 i 40 možda nije ista kao razlika između 40 i 50, na primer. To znači da bi otkrivanje progresije bolesti moglo biti odloženo i u kliničkim ispitivanjima, vrste statističkih analiza koje se mogu izvršiti na podacima mogu biti ograničene.“
Laboratorija za neurometrologiju profesora Antoniadesa sprovodi eksperimente kako bi procenila da li senzorski uređaji koje pacijenti nose na trupu, zglobovima i stopalima, u kombinaciji sa mašinskim učenjem, mogu preciznije pratiti napredovanje motoričkih simptoma od tradicionalnih skala ocenjivanja.
Oni i drugi su ranije pokazali da analiza podataka sa nosivih uređaja pomoću algoritama mašinskog učenja može pomoći u preciznoj dijagnozi. Već je poznato da se ove nove tehnike mogu koristiti za razlikovanje zdravih starijih odraslih osoba, osoba sa različitom težinom Parkinsonove bolesti i osoba sa drugim poremećajima sličnim Parkinsonovoj bolesti.
U ovoj novoj studiji, istraživači su pitali da li je moguće koristiti podatke prikupljene tokom hodanja i stajanja ne samo za dijagnozu već i za praćenje progresije motoričkih simptoma kod Parkinsonove bolesti tokom vremena. Učesnici studije su intenzivno procenjivani posetama klinici svaka tri meseca, kako bi tim mogao da odredi najkraće vreme tokom kojeg bi njihovom analizom moglo da se otkrije napredovanje bolesti. Otkrili su da se progresija može otkriti za samo 15 meseci njihovom tehnikom.
