gms | German Medical Science

Einleitung: Parkinson ist nach Alzheimer die am stärksten verbreitete fortschreitende neurodegenerative Krankheit. Die Diagnose erfolgt zumeist anhand der subjektiven Beurteilung von Spezialisten von den typischen motorischen Symptomen wie Muskelsteifheit, Bewegungsverlangsamung sowie Muskelzittern. Diese entstehen durch den Verlust von dopaminhaltigen Nervenzellen, die im Laufe der Erkrankung in der Substantia nigra im Gehirn absterben. Die typischen motorischen Symptome sind jedoch erst zu beobachten, wenn bereits über 50 Prozent der Nervenzellen verloren sind. Zu dem Zeitpunkt, zu dem die Krankheit diagnostiziert wird, liegt der eigentliche Ausbruch bereits Jahre bis Jahrzehnte zurück. Die nicht-motorischen Symptome treten dagegen schon deutlich früher auf: niedriger Blutdruck im Stehen und Verhaltensstörungen in der Rapid-Eye-Movement (REM)-Schlafphase (engl. REM sleep behavior disorder, RBD) sind mögliche Indikatoren für einen späteren Ausbruch einer neurodegenerativen Krankheit [1], [2], [3]. Diese frühen Symptome stellen eine Möglichkeit zur frühen Diagnose und Behandlung von Parkinson dar. Durch den Einsatz von Sport, Hirnstimulation und Medikation kann das Fortschreiten der Krankheit verzögert werden, je früher die Krankheit diagnostiziert wird [1].

Methoden: Das Parkinson Companion Projekt wendet Methoden aus dem Bereich Machine Learning an, um Unterstützung bei der Verlaufsvorhersage und Früherkennung der Erkrankung bieten zu können. Es werden Daten über Schlaf und Neurovegetativum der Patienten mit mobiler Sensorik (Polysomnographie) gesammelt. Diese werden präprozessiert und auf Muster analysiert, um Risikopatienten zu identifizieren und ein Prädiktionsmodell zu konstruieren, welches Ärzten vorhersagend als Unterstützung bei der Beurteilung von Patienten dienen kann. Im Rahmen des Projekts wird eine Studie durchgeführt, die neben den retrospektiven Daten des Universitätsklinikums Aachen als Datenquelle dienen. Aufgrund der Schwierigkeit RBD-Patienten zu identifizieren, konnten bisher nur 19 Datensätze zum Trainieren und Testen (90:10 ratio) des Algorithmus verwendet werden. Die Schlaf-Daten werden vorverarbeitet, indem die Aktivitäten während der REM-Phase in den Rohsignalen manuell annotiert, gefenstert werden. Merkmale werden generiert und normiert, um mittels Klassifikationsverfahren wie Support-Vector-Machines, k-Nearest-Neighbor und Decision-Trees ein Modell zu trainieren. Zur Validierung wird eine k-fold-Cross-Validation verwendet.

Ergebnisse und Diskussion: Die untersuchten Klassifizierer haben gezeigt, dass es möglich ist, parkinsonassoziierte Muster für verschiedene Probanden zu erkennen. Mit der gelungenen Konzeption eines Vorhersagemodells für eine neurodegenerative Erkrankung, konnte bereits ein erster Schritt mittels der mobilen Sensorik und Software parkinsonassoziierte Muster identifiziert werden.

Das Klassifikationsmodell erfordert eine Vielzahl an Datensätzen, um eine möglichst gute Vorhersage machen zu können. Die vorgestellte technische Innovation zielt darauf ab, die Prävention, die Behandlungs- und Lebensqualität sowie die Sicherheit und Autonomie von Menschen zu erhöhen.

Zusammenfassung und Ausblick: Mit Hilfe dieser Methodik können mögliche Parkinson Patienten anhand einer mobilen Sensorik vorhergesagt werden. Diese ist erfolgreich, um relevante RBD-Merkmale zu extrahieren, um eine Neurodegeneration im Frühstadium zu erkennen.

In zukünftigen Arbeiten kann das Modell auch auf andere neurodegenerative Erkrankungen ausgeweitet werden. Die Auswahl der Datenmenge war nicht repräsentativ genug, um Muster bei unbekannten Probanden klassifizieren zu können. Darüber hinaus sollte ein höherer Trainingssatz die Transferfähigkeit erhöhen. Um Parkinson, Alzheimer o.Ä. Erkrankungen differenzieren zu können, müssen neben den Untersuchungen des Schlafs und Vegetativums weitere Symptome wie Sprachprobleme, Riechstörungen in Betracht gezogen werden [1], [3], [4]. Durch das Hinzufügen weiterer Parameter steigt die Wahrscheinlichkeit einer Früherkennung von Parkinsonerkrankungen.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.