Okosórák adataiból jelezhető előre a Parkinson-kór

A Nature Medicine július 3-án közölte a Cardiff University kutatóinak cikkét, amely szerint okosórák adataiból egy mesterséges intelligencián (AI; artificial intelligence) alapuló módszerrel már akár hét évvel a jellegzetes tünetek jelentkezése előtt is diagnosztizálható a Parkinson-kór.

A Parkinson-kór az agy substantia nigra régiójában elhelyezkedő dopaminerg neuronok pusztulásával jár, és olyan motoros tüneteket okoz, mint a remegés, merevség és a mozgás lassúsága. Azonban mire a Parkinson-kór e jellegzetes tünetei megjelennek, és a klinikai diagnózis felállítható, a substantia nigra sejtjeinek több mint fele már elhal. Ezért olcsó, megbízható és könnyen hozzáférhető módszerekre van szükség a korai változások kimutatására, hogy még azelőtt lehessen beavatkozni, mielőtt a betegség kiterjedt károkat okozna az agyban.

A mostani vizsgálatban az egyetem kutatói 7 napon keresztül elemezték a UK Biobank adatbázisából kiválasztott több, mint 103 ezer olyan beteg adatait, akik 2013 és 2016 között orvosi mérésekre alkalmas okosórákat viseltek. A kutatók az okosórák által gyűjtött mozgássebesség-adatokat használták a diagnózis alátámasztására, és a vizsgálatban a résztvevők egy olyan alcsoportjának adatait vették alapul, akiknél már diagnosztizálták a Parkinson-kórt. Ezeket egy másik csoport adataival hasonlították össze, akiknél a diagnózist legfeljebb hét évvel az okosóra adatgyűjtése után állították fel. A csoportok egyes tagjait korban és nemben megegyező egészséges emberekkel is összepárosították.

A vizsgálatban sikerült kimutatni, hogy a mesterséges intelligencia segítségével az okosóra-adataik alapján azonosítani lehet azokat a résztvevőket, akiknél később Parkinson-kór alakul ki. Nemcsak a vizsgálatban lehetett megkülönböztetni ezeket a résztvevőket az egészséges kontroll csoportoktól, hanem a kutatók szerint a mesterséges intelligencia felhasználható az általános populációban is olyan személyek azonosítására, akiknél később Parkinson-kór alakul ki, ráadásul a modell a diagnózis felállításáig eltelt időt is képes volt megjósolni.

A tanulmány korlátja, hogy nem lehet más adatforrással megismételni, mivel jelenleg nincsenek más összehasonlítható adatkészletek, amelyek hasonló elemzést tennének lehetővé. A tanulmány vezetője, Dr. Cynthia Sandor, a Cardiff University Demenciakutató Intézetének vezetője így nyilatkozott: "Az okosórák adatai könnyen hozzáférhetőek és olcsón gyűjthetők, mivel 2020-tól az Egyesült Királyság lakosságának mintegy 30%-a visel okosórát. Az ilyen típusú adatok felhasználásával potenciálisan képesek lennénk azonosítani a Parkinson-kór nagyon korai stádiumában lévő egyéneket az általános népességen belül. A mostani vizsgálatban sikerült kimutatni, hogy már egyetlen hét adatfelvétele akár hét év távlatában is előre jelezheti az eseményeket. Ezekkel az eredményekkel értékes szűrőeszközt fejleszthetünk ki a Parkinson-kór korai felismerésére. Ez mind a terápiás kutatásokra - a klinikai vizsgálatokba való toborzás javítása révén -, mind pedig a klinikai gyakorlatra hatással van, mivel lehetővé teszi a betegek számára, hogy a jövőben, amikor ezek a kezelések elérhetővé válnak, korábbi stádiumban hozzáférjenek a kezelésekhez. Bár az itt bemutatott eredményeink nyilván nem léphetnek a klinikumban alkalmazott diagnosztika módszerek helyébe, az okosórák adatai hasznos szűrőeszközökként segíthetik a betegség korai felismerését. Ez a jövőben azt jelentheti, hogy a korai diagnózisnak köszönhetően a betegek a mostaninál sokkal korábban hozzáférhetnek új kezelésekhez, még azelőtt, hogy a betegség kiterjedt agyi károsodásokat okozna."

Írásunk az alábbi közlemények alapján készült:

Smart watches could detect Parkinson's up to seven years before hallmark symptoms appear

Wearable movement-tracking data identify Parkinson's disease years before clinical diagnosis

Irodalmi hivatkozás:

Cynthia Sandor, Wearable movement-tracking data identify Parkinson's disease years before clinical diagnosis, Nature Medicine (2023). DOI: 10.1038/s41591-023-02440-2. www.nature.com/articles/s41591-023-02440-2