AI a Parkinson-kór “lefagyásos” epizódjainak megfigyelésére

A Nature Communications folyóiratban június 6-án jelent meg a Tel-Aviv University kutatóinak cikke, amelyben egy igen érdekes versenyről számoltak be: mesterséges intelligenciával foglalkozó kutatókat hívtak meg a világ minden részéről, hogy egy olyan gépi tanulásos (machine learning) modellt fejlesszenek ki, amely a Parkinson-kórban szenvedő emberek lefagyási epizódjait képes megfigyelni egy hordozható, viselhető eszközbe építve. A versenyzők közel 25 ezer megoldást küldtek be, a kutatók pedig a legjobbnak ítélt megoldásokat, algoritmusokat beépítették az új technológiát alkalmazó eszközbe.

Az eszköz által érzékelt jelenség a “lefagyás” azaz a FOG (freeze of gait), amelynek során a beteg lába “odaragad” a földhöz vagy padlóhoz, és az illető képtelen elkezdeni vagy folytatni a járást. Ez a sajátságos jelenség a Parkinson-kórban szenvedők 38-65%-át érinti, és néhány másodperctől több mint egy percig is tarthat. A FOG súlyosan ronthatja a Parkinson-kórban szenvedők mobilitását, függetlenségét és életminőségét, nagy frusztrációt okozva, ráadásul gyakran vezet eleséshez és sérülésekhez.”

Amit Salomon, a cikk első szerzője hozzáteszi: “Jelenleg a FOG diagnózisa és nyomon követése általában önbevallásos kérdőíveken és az orvosok vizuális megfigyelésén, valamint a betegek mozgásáról készült videók képkockánkénti elemzésén alapul. Ez utóbbi módszer, amely jelenleg az uralkodó arany standard, megbízható és pontos, de van néhány komoly hátránya: időigényes, legalább két szakértő bevonását igényli, és kivitelezhetetlen az otthoni és a mindennapi életkörülmények között végzett hosszú távú megfigyelés során. A kutatók a testen viselhető szenzorok segítségével is próbálják nyomon követni és számszerűsíteni a betegek napi működését. Eddig azonban a sikeres kísérletek mindegyike nagyon kis számú alany bevonásával végzett vizsgálatokon alapult.”

A mostani vizsgálatban a kutatók számos korábbi tanulmányból gyűjtöttek adatokat, amelyek több mint 100 betegre és mintegy 5000 FOG-epizódra vonatkoztak. Az összes adatot feltöltötték a Kaggle platformjára - ez a Google nemzetközi gépi tanulási versenyeket lebonyolító vállalata.

A globális gépi tanulási közösség tagjait arra kérték fel, hogy fejlesszenek ki olyan modelleket, amelyeket viselhető szenzorokba építenek be a különböző FOG-paraméterek (pl. az epizódok időtartama, gyakorisága és súlyossága) számszerűsítésére. A kihívásra 83 országból összesen 1379 csoport jelentkezett, akik végül összesen 24 862 megoldást nyújtottak be.

A legjobb modellek teljesítménye nagyon közel állt a videóelemzési módszerrel kapott eredményekhez, viszont jelentősen pontosabbnak bizonyultak, mint az egyetlen viselhető érzékelőre támaszkodó korábbi kísérletek eredményei. A modellek ráadásul azonnal egy új, érdekes felfedezéshez vezettek: az egyes betegeknél meglehetősen szoros összefüggés mutatkozott a FOG epizódok gyakorisága és egy meghatározott napszak között.

Eran Gazit, a cikk egyik társszerzője szerint: “Első alkalommal figyeltünk meg egy naponta ismétlődő mintázatot, ahol a FOG-epizódok csúcsidőszaka jól behatárolhatóan a nap bizonyos óráiban jelentkezett. Ez pedig összefüggésbe hozható olyan klinikai jelenségekkel, mint a fáradtság vagy a gyógyszerek hatása. Ezek az eredmények mind a klinikai kezelés, mind a FOG folyamatos kutatása szempontjából jelentősek”.

Prof. Hausdorff, a cikk első szerzője szerint: “A gépi tanulási modellekkel támogatott, viselhető érzékelők folyamatosan nyomon követhetik és számszerűsíthetik a FOG-epizódokat, valamint a beteg általános funkcionalitását a mindennapi életben. Ezzel a módszerrel a kezelő orvos pontos képet kap a beteg állapotát tükröző igen fontos kérdésekre: vajon javult vagy romlott a beteg állapota? Reagál-e a beteg a felírt gyógyszerekre? Az adathiánnyal küzdő orvossal ellentétben a tájékozott orvos azonnal tud reagálni, ráadásul az ezen technológia révén gyűjtött adatok sikeresen támogathatják újfajta kezelések kifejlesztését. Az általunk kezdeményezett AI versenyre a világ minden tájáról érkeztek hozzáértő csapatok, akik kifejezetten élvezték a barátságos légkört egy jó ügy érdekében. A FOG-adatok hatékony és pontos számszerűsítésében gyors fejlődést értünk el. A vizsgálat továbbá megalapozta a technológia következő fázisát: a hosszú távú, 24/7 FOG-monitorozást a beteg otthonában, valós környezetében.”

Írásunk az alábbi közlemények alapján készült:

Worldwide machine learning contest advances wearable tech for Parkinson's disease

A machine learning contest enhances automated freezing of gait detection and reveals time-of-day effects

Irodalmi hivatkozás:

Amit Salomon et al, A machine learning contest enhances automated freezing of gait detection and reveals time-of-day effects, Nature Communications (2024). DOI: 10.1038/s41467-024-49027-0