Młody naukowiec, mgr inż. Tomasz Gutowski z Wydziału Cybernetyki Wojskowej Akademii Technicznej w Warszawie, opracował wraz z płk. dr. inż. Mariuszem Chmielewskim metodę wykorzystania sztucznej sieci neuronowej w celu wykrywania i oceny ciężkości objawów choroby Parkinsona z użyciem sygnałów z akcelerometru. Dzięki temu nowemu rozwiązaniu być może w przyszłości możliwe będzie dokładniejsze diagnozowanie i leczenie choroby Parkinsona, co jest kluczowe dla poprawy jakości życia pacjentów na całym świecie.

Dokładne określenie stanu pacjenta z chorobą Parkinsona dzięki nowej metodzie badawczej

W dzisiejszych czasach, kiedy ludzie żyją coraz dłużej i społeczeństwa się starzeją, choroby neurodegeneracyjne, takie jak choroba Parkinsona, stanowią poważne wyzwanie dla służby zdrowia na całym świecie. Jednym z największych problemów w leczeniu choroby Parkinsona jest dokładne określenie stanu pacjenta, co utrudnia właściwe dozowanie leków i prowadzenie skutecznej terapii. Jednakże nowe badania przeprowadzane w oparciu o aplikację mobilną, oraz wykorzystujące głębokie sieci neuronowe, mogą przynieść poprawę w diagnozowaniu i leczeniu choroby Parkinsona.

W pracy naukowej „Deep learning for Parkinson's disease symptom detection and severity evaluation using accelerometer signal” [„Wykorzystanie metody głębokiego uczenia do wykrywania i oceny ciężkości objawów choroby Parkinsona z wykorzystaniem sygnału z akcelerometru”]  autorzy wykorzystali dane zebrane w badaniu finansowanym przez fundację Michaela J. Foxa, która zajmuje się chorobą Parkinsona. Badanie to miało na celu przeanalizowanie wpływu organicznego związku chemicznego lewodopy (L-DOPA), prekursora dopaminy, na intensywność objawów choroby Parkinsona. Metoda badawcza opisana przez mgr inż. Tomasza Gutowskiego polega na wykorzystaniu sztucznej sieci neuronowej do przewidywania nasilenia lub obecności trzech najważniejszych objawów ruchowych choroby Parkinsona, tj. drżenia, bradykinezji i dyskinezji. Aby zbierać dane, pacjenci zostali wyposażeni w urządzenie, które rejestruje sygnały akcelerometryczne z ruchów wykonywanych podczas wybranych zadań.

Wielokryterialna ocena objawów

Sieć neuronowa została wytrenowana dla każdego objawu osobno, co oznacza, że dla każdego z nich stworzono oddzielny model analizy i przyjmuje się dane wejściowe w postaci sygnałów z akcelerometru, czyli informacji o rodzaju wykonywanego zadania, oraz o tym, po której stronie urządzenie jest noszone. Model sieci przetwarza te dane i przewiduje nasilenie lub obecność danego objawu ruchowego. W kolejnym kroku wszystkie modele zostają ocenione na zbiorze danych testowych przy użyciu trzech podstawowych metryk: dokładności, zrównoważonej dokładności i AUC PR (miara jakości klasyfikacji binarnej). Metryki te pozwalają określić, które zadania do wykrywania poszczególnych objawów dają najlepsze wyniki dla modeli predykcyjnych służących do wykrywania i oceny nasilenia objawów.

Zbieranie informacji o objawach ruchowych oraz o ich intensywności jest ważne, aby móc obserwować, jak leki wpływają na pacjenta. Oprócz danych sensorycznych, zbierane są również informacje na temat przyjmowania leków i ich dawek. W publikacji na ten temat autor skupił się na określeniu stanu pacjenta na podstawie pomiarów sensorycznych. Następnie wykorzystał je, oraz podstawowe metadane, takie jak informacje o sensorach i ćwiczeniach (bez informacji pozwalających na odróżnienie pacjentów). Dzięki temu udało mu się stworzyć modele uczenia maszynowego, które mogą być wykorzystane do oceny stanu dowolnego pacjenta.

Młody naukowiec porównał dodatkowo wyniki uzyskane za pomocą modeli z opinią lekarzy na temat stanu pacjenta, co pozwoliło mu na jeszcze bardziej dokładne określenie intensywności objawów choroby Parkinsona. W swojej pracy zastosował konwolucyjne sieci neuronowe, a w swojej publikacji przedstawił również ćwiczenia, które pozwalają na jak najlepsze dokonanie oceny intensywności tych symptomów.

W kierunku bardziej spersonalizowanego leczenia choroby Parkinsona

Mgr inż. Tomasz Gutowski i płk. dr. inż. Mariusz Chmielewski stworzyli plan badań nad chorobą Parkinsona, który opisują w swoim artykule „An algorithmic approach for quantitative evaluation of Parkinson’s disease symptoms and medical treatment utilizing wearables and multi-criteria symptoms assessment” [„Algorytmiczne podejście do ilościowej oceny objawów choroby Parkinsona i leczenia jej z wykorzystaniem urządzeń typu wearables i wielokryterialnej oceny objawów”]. Ten pomysł zakłada, że lekarze będą mogli dokonywać pomiarów i oceny stanu pacjentów w celu optymalizacji dawek i czasów podawania leków.

Do pomiarów wykorzystywany jest zestaw ćwiczeń wykonywanych z opaską sensoryczną i telefonem. Pacjenci będą wykonywać ćwiczenia, podczas których rejestrowane są dane z akcelerometru, żyroskopu i elektromiografii. Po każdym ćwiczeniu pacjent lub lekarz ocenia stan pacjenta, a dane są używane do nauczenia maszynowego modelu, który w przyszłości będzie mógł pomóc lekarzom w ocenie stanu pacjenta, gdy będzie wykonywał ćwiczenia w domu. Pozwoli to znacznie częściej monitorować jego stan i lepiej dostosować leczenie w czasie rzeczywistym.