Okostelefonok, okoseszközök ideg- és elmegyógyászati kórképekben

A depresszió és az okostelefon

A WHO becslése szerint a depresszió 2020-ra a második leggyakoribb munkaképesség-csökkenést okozó betegség lesz a világon. A Magyar Pszichiátriai Társaság szerint ha­zánkban minden harmadik lakos – közel 3 millió ember – szenved valamilyen mentális megbetegedéstől élete során. A súlyos de­presszió a magyarok mintegy 7%-át érinti.

A depressziós betegek nagy része ritkán, 3 havonta keresi fel pszichiáterét, a recept újabb felírása ekkor történik. Hogyan emlékezhetne ilyenkor pl. arra a kérdésre, hogy milyen volt az eltelt időben a hangulata? Kutatások szerint már néhány nap múlva feledésbe merül a korábbi jó vagy rossz hangulat. Erre jelent megoldást a MoodTrek elnevezésű mobilalkalmazás, mely segíti a beteget abban, hogy monitorozza han­gulatát és tüneteit, illetve a kapott adatokat meg is oszthassa pszichiáterével a sikeresebb kezelés érdekében. A beteg felhasználó az adott napi hangulatát egy vicces, arcokat megjelenítő, 5 (arc)fokozatú skálán értékelheti. Az arcok a felhasználó adott hangulati állapotát jellemzik (ne­vető száj, semleges vagy lekonyuló ajkak stb.). Úgy működik ez, mint egy egyszerű önanalízis. Ez önmagában még nem tenné különleges­sé az alkalmazást, melyhez hasonló több száz letölthető már. (1) A MoodTrekkel a felhasználó ugyanis egy korábban már bemutatott – Fitbit elnevezésű – alkalmazáshoz is tud kapcsolód­ni, amely a mozgást, aktivitást monitorozza, értékeli. Páros, „hibrid” alkalmazásról van szó, a lelket és a fizikai aktivitást kapcsolja össze az applikáció, hiszen mindkettő tükrözi a depressziós beteg tüneteit, állapotát. Az app android verziója ingyenesen letölthető a https://play. google.com/store/apps/details?id=com.cerner. moodtrek címről.

És fordítva? Ha nem a már diagnosztizált és kezelt depressziós beteg követi az állapotát? Vajon az okostelefon alkalmas lehet arra, hogy ki­derítse, a használója depresszióban szenved-e? Egy kísérlet szerint igen: érzékelheti, ha haszná­lója depressziós lesz. Ez a technológiai kutatás olyan okostelefon prototípusát készítette elő, amely 87%-os pontossággal felismeri a depres­sziós tünetektől szenvedő vagy depresszió által veszélyeztetett használót. (2) Öngyilkosságot vi­lágszerte, így hazánkban is a depressziós bete­gek követnek el a leggyakrabban, különösen a fel nem ismert, így nem is kezelt betegek.

Ha az alkalmazás elérhetővé válik, akkor ta­lán könnyebben változtathatunk a következő riasztó adatokon. Az unipoláris major depresszió miatt elkövetett öngyilkosság 2010-ben a vilá­gon a teljes egészségben megélhető életévek elvesztésének harmadik leggyakoribb oka volt, és 2020-ra (becslések szerint) az iszkémiás szívbetegség mögött a második, míg 2030-ra az első lesz. (3) A befejezett öngyilkosságot elkö­vetők 56–87%-a (többnyire nem kezelt) major depressziós epizódban szenvedett halála ide­jén. A nem kezelt major depressziós betegek 5–10%-a öngyilkosság következtében hal meg. Ugyanakkor, a depresszió hatásos kezelése kb. 80%-kal csökkenti a befejezett öngyilkosságok és az öngyilkossági kísérletek számát. (3)

A kutatók olyan szoftvert („Purple Ro­bot”-nak elnevezett applikációt) fejlesztet­tek ki, amely adatokat gyűjtött a kutatásban részt vevők okostelefonjairól. A vizsgálat előtt minden résztvevőnek ki kellett töltenie egy online kérdőívet, amely demográfiai kérdések mellett az ún. Patient Health Questionnaire-9 (PHQ-9) depressziót mérő kérdőívet is tartal­mazta. Ez validáltan alkalmas a depressziós tünetek súlyosságnak önértékeléses méré­sére. A szoftver észlelte a kutatásban részt vevő mobiltelefon-tulajdonosok GPS adatait is, s korrelációt keresett a depressziós ala­nyok előzetes PHQ-9 vizsgálati eredményei és a telefonhasználatra, valamint a földrajzi mozgásokra vonatkozó adatai között. Az adatokból kiderült, hogy a depresszió jeleit mutatók háromszor olyan gyakran használták a telefont, mint a többiek. Emellett az a mo­biltelefonos személy, aki nagyon sok időt tölt otthon – vagy kevés helyen –, valószínűsít­hetően szintén depressziós. A depressziós résztvevők tehát többnyire otthon marad­tak, vagy kevesebb helyre utaztak. Nem meglepő, hiszen a depressziósok hajlamo­sak a visszavonultságra. A kevésbé szabályos (ismétlődő) napi-heti időbeosztás szintén a depresszió valószínűségét növelő tényező lett. Bár a telefonadatok nyomon követése nem azonosíthatta, milyen kapcsolatokban és milyen tartalommal használták a részt­vevők a telefonjukat, felmerül az is, hogy a depressziós résztvevők nem a barátaikkal beszéltek, hanem közömbös személyekkel, mert ez az „elkerülő viselkedés” szintén jel­lemző depresszióban.

A kutatás legfontosabb eredménye az, hogy a mobilhasználati szokásokon keresztül fel lehet ismerni egy személy depressziós tüneteit és azok súlyosságát anélkül, hogy a tünetek után érdeklődve kérdéseket intéztek volna hozzá, hiszen a depressziós állapotnak az is lényeges ismérve, hogy a beteg nem akar az állapotáról beszélni. A telefon adatai megbízhatóbban jelezték a depressziót, mint ha a vizsgált személy naponta értékelte volna a szomorúságát.

A mobile-health (mHealth) lenyűgöző lehetőségei epilepsziában

A gyermekek között 1%-os, a felnőtt népesség­ben 0,5%-os prevalenciával számolva hozzávetőleg 50–60 ezer epilepsziás beteg él hazánkban.

A kórházi EEG-k helyett az epilepsziás ro­hamokat idejében érzékelő hordozható készü­lékek új lehetőséget adnak a rohamok meg­előzésére, kezelésére. Többféle elven működő hordozható készülékek érhetők el már jelenleg is vagy kerülnek hamarosan forgalomba. (4) Van köztük olyan, amelyik a generalizált tónusos-klónusos izomgörcs rohamokat érzékeli a bi­cepszre erősített érzékelőn keresztül (azaz nem EEG-ként, hanem EMG-ként működik). Az adatokat bárki, így a családtag telefonjára vagy laptopjára is küldheti, riasztva őt. Az alkalmazás kifejlesztői igazolták azt is, hogy az epilepsziás EEG-aktivitás és az alkalmazás által detektált izomrángások korrelálnak, és igen ritka a téves pozitív eredmény. Az igazoláshoz 142 beteg 7326 órányi EMG-és EEG-adatát gyűjtötték be és elemezték. Az EMG-eredményeket az eszközön keresztül érzékelték, és ezek 100%-ban összefüggtek az EEG-adatokkal. A téves negatív riasztás (adat) rátája 0,48 volt 8 órán­ként. Az online érzékelés azért fontos, mert az epilepsziás betegek csak a rohamaik felére emlékeznek, így nehéz a kezelés sikerességé­nek megítélése is. A rohamok alatti sérülések kivédésében is segít, ha a hozzátartozó vagy gondozó időben észleli a rohamot, segíteni tud. Mindezeket egy újabb, már elkezdődött klinikai vizsgálattal is meg fogják erősíteni, (5) hiszen ha az eszköz valóban hasznos, forra­dalmasíthatja a nehézkes és nem valós idejű EEG-diagnosztikát.

További újdonság egy apró, vízálló, gyufásskatulya méretű (30×30×6 mm-es) EEG-rekorder, amelyet a hajas fejtetőre kell ragasz­tani, mint egy tapaszt. Ez különösen azoknak a gyermekeknek a monitorozásában lehet hasz­nos, akiknek a rohamai este érkeznek, és nemritkán hirtelen halállal végződnek. Az eszköz egy heti adatanyagot rögzít, majd ezt el kell távolí­tani és postázni a kezelőorvosnak. A fejen való rögzítéssel a megtévesztő izommozgásokat küszöbölik ki, és ezt az eszközt is összevetették a hagyományos EEG adataival. Az eszközöket különböző hajszínekben gyártják. A harmadik eszköz pedig a csuklóra rögzíthető, és a görcs­rohamokat a szívritmus mérésével és az artériás oxigenizáció detektálásával jelzi. Mindhárom eszköz apró, diszkrét, az epilepsziával járó stig­mákat nem erősítik, hiszen a beteg leplezni tud­ja a viselésüket, így szívesen hordhatja azokat, segítve a saját kezelését.

Levelezési cím: This e-mail address is being protected from spambots. You need JavaScript enabled to view it.

Irodalom:
1. Bush NE, Ouellette G, Kinn J. Utility of the T2 Mood Tracker mobile application among army warrior transition unit service members. Mil Med 2014;179(12):1453–1457
2. Saeb S, Zhang M, Karr CJ, et al. Mobile Phone Sensor Correlates of Depressive Symptom Severity in Daily-Life Behavior: An Exploratory Study. J Med Internet Res 2015;17(7):e175
3. Rihmer Z, Németh A. Újra csökken az öngyilkossági ha­lálozás Magyarországon? Magyar Orvos 2014;22(10):21–22
4. Van de Vel A, Cuppens K, Bonroy B, et al. Non-EEG seizure-detection systems and potential SUDEP prevention: state of the art. Seizure 2013;22(5):345–355
5. https://clinicaltrials.gov/ct2/show/NCT02371200