مچ دست شما در ساعت هوشمند: آیا یک ساعت هوشمند می‌تواند علائم بیماری هانتینگتون را آشکار کند؟

هر روز، بدون اینکه دوبار فکر کنیم، به صدها چیز دست می‌یابیم. برای افراد مبتلا به بیماری هانتینگتون (HD)، این حرکات روزمره می‌توانند اطلاعات پنهانی درباره چگونگی پیشرفت بیماری داشته باشند، این یافته بر اساس مطالعه جدیدی است که از حسگرهای مچی استفاده می‌کند. محققان افراد مبتلا به HD را برای پوشیدن یک دستگاه شبیه فیت‌بیت به مدت یک هفته در خانه به کار گرفتند، سپس از هوش مصنوعی (AI) برای تجزیه و تحلیل حرکات بازوی آن‌ها استفاده کردند. این حسگر توانست تغییرات حرکتی را تشخیص دهد، نمرات بالینی را پیش‌بینی کند و حتی قبل از تشخیص رسمی، به HD اشاره کند. یک مطالعه بزرگ‌تر و طولانی‌تر اکنون در حال جذب شرکت‌کننده است تا این فناوری را بیشتر توسعه دهد تا بتواند در کارآزمایی‌های بالینی آینده به کار گرفته شود.

مچ دست شما چیزی می‌داند

ما زمان زیادی را صرف فکر کردن به علائم حرکتی HD می‌کنیم که می‌توانیم آن‌ها را ببینیم، مانند حرکات غیرارادی (کره)، تغییرات در راه رفتن و تغییرات در گفتار. اما در مورد هزاران حرکت کوچک و هدفمند که هر روز بدون فکر کردن انجام می‌دهیم، چه؟ دست دراز کردن برای یک فنجان قهوه. باز کردن یک در. برداشتن تلفن.

معلوم می‌شود که این حرکات روزمره بازو ممکن است اطلاعات زیادی درباره HD داشته باشند. یک مطالعه جدید نشان می‌دهد که یک حسگر مچی، شبیه به یک ردیاب تناسب اندام، می‌تواند تغییرات ظریف در این حرکات را که حتی یک ویزیت برنامه‌ریزی شده در کلینیک ممکن است از دست بدهد، تشخیص دهد.

این مطالعه که در Communications Medicine منتشر شده است، توسط محققان BioSensics LLC و دانشگاه روچستر انجام شده است. این یکی از اولین مطالعاتی است که بر عملکرد اندام فوقانی در HD با استفاده از فناوری پوشیدنی تمرکز دارد.

این مطالعه چه کاری انجام داد؟

این مطالعه کوچک شامل ۱۶ نفر مبتلا به HD، ۷ نفر مبتلا به HD پرودرومال (ژن مثبت اما هنوز از نظر بالینی تشخیص داده نشده) و ۱۶ نفر بدون ژن HD بود.

شرکت‌کنندگان در یک ویزیت در کلینیک شرکت کردند که طی آن محققان تست‌های حرکتی را به عنوان بخشی از مقیاس استاندارد رتبه‌بندی بالینی HD به نام مقیاس رتبه‌بندی یکپارچه بیماری هانتینگتون (UHDRS) انجام دادند. سپس آن‌ها یک حسگر مچی کوچک را به مدت هفت روز روی دست غالب خود پوشیدند. آن‌ها نیازی به انجام کار خاصی نداشتند – فقط زندگی روزمره خود را ادامه دادند.

این حسگر «داده‌های شتاب‌سنج» را ثبت کرد، که اساساً فیزیک حرکت بازو در فضا را ثبت می‌کند. یک هفته استفاده مداوم از ساعت هوشمند، حجم زیادی از داده‌ها را ایجاد می‌کند! سپس محققان نوعی هوش مصنوعی پیشرفته به نام الگوریتم یادگیری عمیق را برای کمک به تجزیه و تحلیل آن به کار بردند. روش‌های هوش مصنوعی می‌توانند در تشخیص الگوهایی که انسان‌ها به تنهایی قادر به استخراج آن‌ها نیستند، فوق‌العاده کارآمد باشند.

در این مورد، هوش مصنوعی برنامه‌ریزی شده بود تا به طور خودکار لحظات «حرکت هدفمند» را شناسایی کند: دسترسی‌ها و گرفتن‌های عمدی، در مقابل نوسانات غیرفعال بازو. سپس تیم توانست این حرکات را تجزیه و تحلیل کند تا بفهمد چگونه بین گروه‌های مطالعه (HD علامت‌دار، پیش از تشخیص، و HD منفی) متفاوت بودند.

حسگرها چه چیزی یافتند؟

نسخه کوتاه: HD بر حرکت تأثیر می‌گذارد و حسگرها می‌توانستند آن را تشخیص دهند.

افراد مبتلا به HD به نظر می‌رسید سرعت حرکت بازوی کندتر و تعداد کمتری از دسترسی‌های طولانی و پایدار را در مقایسه با افراد بدون HD نشان می‌دهند. حرکات آن‌ها همچنین دارای تغییرات جهت‌دار بیشتر، اصلاحات کوچک و تکان‌هایی بود که نشان‌دهنده کره، اختلالات حرکتی آشنا برای هر کسی که HD را می‌شناسد، است. این الگوها به طور مداوم در طول یک هفته کامل از فعالیت‌های دنیای واقعی ظاهر شدند.

این الگوریتم همچنین می‌توانست نمرات UHDRS را تنها از داده‌های حسگر پیش‌بینی کند و عملکرد نسبتاً خوبی داشت. پیش‌بینی‌های آن حدود نیمی از اوقات با نمرات حرکتی واقعی شرکت‌کنندگان مطابقت داشت و حدود ۵۶٪ از تغییرات قابل اندازه‌گیری در بین افراد و حدود ۶۰٪ برای حرکات اندام فوقانی را پوشش می‌داد. ۴۰٪ باقیمانده احتمالاً جنبه‌هایی از HD را منعکس می‌کند که حسگر مچی به سادگی نمی‌تواند ببیند، مانند تغییرات شناختی، گفتار یا راه رفتن، که UHDRS آن‌ها را ثبت می‌کند اما یک حسگر بازو نمی‌تواند.

آیا تجزیه و تحلیل داده‌های حسگر می‌تواند نشان دهد چه کسی HD دارد؟

یک مدل یادگیری ماشینی که بر اساس این ویژگی‌های حرکتی آموزش دیده بود، می‌توانست افراد را به درستی به عنوان مبتلا به HD، HD پرودرومال یا بدون تشخیص در حدود ۶۷٪ از موارد به طور کلی طبقه‌بندی کند. به طور خاص برای افراد مبتلا به HD، این مدل آن‌ها را در ۷۲٪ از موارد به درستی شناسایی کرد.

گروه HD پرودرومال جایی است که مسائل جالب می‌شوند و باید انتظارات را کمی تعدیل کنیم. این گروه کوچک بود (فقط ۷ نفر) و بسیاری از تفاوت‌های مشاهده شده به اهمیت آماری نرسیدند. به عبارت دیگر، روندها امیدوارکننده به نظر می‌رسند، اما هنوز نمی‌توانیم نتیجه‌گیری‌های قطعی داشته باشیم.

اندازه‌گیری‌ها از گروه پرودرومال اغلب بین HD و افراد سالم قرار می‌گرفت، دقیقاً همان چیزی که انتظار می‌رود. اما با تنها ۷ شرکت‌کننده، اعداد کافی برای تأیید آن وجود ندارد. مطالعات بزرگ‌تر مورد نیاز است و محققان این را می‌دانند.

چرا این برای کارآزمایی‌های بالینی مهم است؟

این بخش هیجان‌انگیز است. یکی از بزرگترین چالش‌ها در کارآزمایی‌های بالینی HD، اندازه‌گیری اینکه آیا یک درمان واقعاً مؤثر است یا خیر، می‌باشد. استاندارد طلایی امروزی این است که یک پزشک در مقابل فردی بنشیند و هر چند ماه یکبار در یک ویزیت برنامه‌ریزی شده، UHDRS را اجرا کند.

این بدان معناست که محققان فقط می‌توانند یک عکس فوری بگیرند، و فقط در یک محیط بالینی، که ممکن است منعکس‌کننده نحوه عملکرد واقعی یک فرد مبتلا به HD در خانه نباشد. یک حسگر مچی که به مدت یک هفته پوشیده می‌شود، هزاران لحظه را ثبت می‌کند که پزشک هرگز نمی‌بیند. اگر بتوانیم چنین معیارهای دیجیتالی را به طور دقیق تأیید کنیم، آن‌ها می‌توانند به ابزارهای قدرتمندی برای ردیابی پیشرفت بیماری و، از همه مهم‌تر، برای اینکه به ما بگویند آیا یک دارو کمک می‌کند یا خیر، تبدیل شوند.

این آینده‌ای است که ارزش ساختن دارد.

گام بعدی: MEND-HD اکنون در حال جذب شرکت‌کننده است

معرفی MEND-HD، یک مطالعه بالینی که در حال حاضر به طور فعال در حال جذب شرکت‌کننده است و کاملاً از راه دور انجام می‌شود. نیازی به سفر نیست.

محقق اصلی این مطالعه، دکتر جیمی آدامز از دانشگاه روچستر، یکی از نویسندگان مقاله مورد بحث ما است. او این تحقیق را رهبری کرده و اکنون در حال انجام مطالعه بزرگ‌تر و دقیق‌تری است که برای تأیید آن لازم است. علم خوب اغلب اینگونه کار می‌کند: کسی ابزار را می‌سازد، آن را در یک گروه کوچک آزمایش می‌کند و سپس برای اثبات آن مقیاس را افزایش می‌دهد.

MEND-HD به طور خاص بر تأیید دستگاه‌های پوشیدنی برای اندازه‌گیری دیجیتالی راه رفتن و کره به منظور استفاده به عنوان نقاط پایانی کارآزمایی بالینی در افراد مبتلا به HD در مراحل اولیه تا میانی تمرکز دارد. این مطالعه از ویزیت‌های مجازی، نظرسنجی‌ها، تست‌های حرکتی و حسگرهای پوشیدنی خانگی استفاده می‌کند. شما از خانه خود شرکت خواهید کرد.

دفعه بعد که برای فنجان قهوه خود دست دراز می‌کنید، دری را باز می‌کنید یا تلفن خود را برمی‌دارید، احتمالاً دوبار فکر نخواهید کرد. اما این حرکات کوچک و بی‌اهمیت ممکن است روزی به ما بگویند که آیا یک دارو مؤثر است یا خیر، که به آرامی توسط یک حسگر روی مچ دست شما، در خانه خودتان، در یک روز عادی ثبت می‌شود.

ما هنوز به آنجا نرسیده‌ایم. اما مطالعاتی مانند MEND-HD راه رسیدن به آنجا هستند. اگر واجد شرایط هستید (۲۵ تا ۶۵ سال، با تشخیص HD-ISS مرحله ۲-۳ HD، و آزمایش ژنتیک انجام داده‌اید) و می‌خواهید بخشی از ساخت ابزارهای اندازه‌گیری باشید که کارآزمایی‌های HD آینده به آن‌ها وابسته خواهند بود، به mend-hd.com مراجعه کنید.

خلاصه

• محققان ۱۶ نفر مبتلا به HD، ۷ نفر مبتلا به HD پرودرومال و ۱۶ نفر بدون ژن HD را برای پوشیدن یک حسگر مچی به مدت ۷ روز در خانه به کار گرفتند و حرکات روزمره بازو را ردیابی کردند.
• افراد مبتلا به HD به نظر می‌رسید حرکات کندتر و پرش‌دارتر با تعداد کمتری از دسترسی‌های طولانی و پایدار را نشان می‌دهند، و این تفاوت‌ها به طور خودکار از داده‌های حسگر قابل تشخیص بودند.
• یک مدل یادگیری ماشینی افراد مبتلا به HD را در ۷۲٪ از موارد به درستی شناسایی کرد.
• گروه HD پرودرومال روندها را نشان داد، اما نمونه کوچک بود (فقط ۷ نفر) و تفاوت‌ها پس از اصلاح به اهمیت آماری نرسیدند، به این معنی که مطالعات بزرگ‌تر مورد نیاز است.
• حسگرهای پوشیدنی می‌توانند با ارائه داده‌های پیوسته و واقعی به جای عکس‌های فوری کلینیکی نادر، یک تغییردهنده بازی برای کارآزمایی‌های بالینی HD باشند.
• MEND-HD، یک مطالعه کاملاً از راه دور، در حال حاضر برای انجام دقیقاً همین کار در حال جذب شرکت‌کننده است؛ برای کسب اطلاعات بیشتر و ثبت نام به mend-hd.com مراجعه کنید.