تیمی از محققان دانشگاه آکسفورد برای اولین بار نشان دادند که امکان ردیابی پیشرفت بیماری پارکینسون با استفاده از الگوریتم‌های یادگیری ماشینی آموزش‌دیده ویژه برای تجزیه و تحلیل داده‌های به دست آمده از دستگاه‌های حسگر استفاده شده توسط بیماران وجود دارد.
روش‌های جدید توصیف‌شده در این مطالعه به رهبری پروفسور کریستالینا آنتونیادس در بخش علوم اعصاب بالینی نافیلد آکسفورد، می‌تواند توسط پزشکان در کنار مقیاس‌های سنتی‌تر رتبه‌بندی بالینی برای بهبود دقت تشخیص، بلکه برای ردیابی پیشرفت بیماری پارکینسون استفاده شود.
توانایی نظارت بر پیشرفت علائم حرکتی در افراد مبتلا به اختلالات عصبی مانند بیماری پارکینسون به دو دلیل مهم است: پزشکان باید در ارزیابی خود از چگونگی پیشرفت بیماری در بیماران خاص اطمینان داشته باشند و محققانی که آزمایش‌های بالینی را انجام می‌دهند باید قادر به اندازه گیری میزان کارایی مداخلات درمانی باشند.
این یک پیشرفت مهم برای آزمایشات بالینی است. آوردن یک داروی جدید برای بیماری مانند پارکینسون از مراحل اولیه توسعه تا استفاده بالینی سال ها طول می کشد و منابع زیادی را مصرف می کند، و بسیاری از داروهایی که در آزمایشگاه امیدوارکننده به نظر می رسند در بیماران کار نمی کنند. بسیار مهم است که بتوانیم مواردی را که موثر هستند در اسرع وقت شناسایی کنیم، بنابراین ممکن است کار روی آنها تسریع شود. امیدوارم با این ابزارهای اندازه گیری هدف جدید، این کار آسان تر شود.
پروفسور کریستالینا آنتونیادس گفت: «در حال حاضر، پزشکان از مقیاس‌های رتبه‌بندی (سیستم‌های امتیازدهی بر اساس معاینه فیزیکی) برای ارزیابی علائم کلیدی افراد مبتلا به بیماری پارکینسون استفاده می‌کنند. یک مشکل در این مورد این است که عنصری از ذهنیت در ارزیابی وجود دارد و پزشکان مختلف ممکن است نمرات یکسانی ارائه ندهند. مسئله دیگر این است که مقیاس ها به طور مساوی فاصله ندارند – برای مثال، تفاوت بین نمرات 30 و 40 ممکن است با تفاوت بین 40 و 50 یکسان نباشد. این بدان معنی است که تشخیص پیشرفت بیماری می تواند به تعویق بیفتد و در آزمایشات بالینی، انواع تجزیه و تحلیل آماری که می تواند روی داده ها انجام شود ممکن است محدود شود.
آزمایشگاه نورومترولوژی پروفسور آنتونیادس در حال انجام آزمایش‌هایی برای ارزیابی این موضوع است که آیا دستگاه‌های حسگر استفاده شده توسط بیماران روی تنه، مچ دست و پاها، همراه با یادگیری ماشینی، می‌توانند پیشرفت علائم حرکتی را با دقت بیشتری نسبت به مقیاس‌های رتبه‌بندی سنتی ردیابی کنند.
آنها و دیگران قبلاً نشان داده‌اند که تجزیه و تحلیل داده‌های دستگاه‌های پوشیدنی با استفاده از الگوریتم‌های یادگیری ماشینی می‌تواند به تشخیص دقیق کمک کند. قبلاً مشخص شده است که این تکنیک های جدید می توانند برای تمایز بین افراد مسن سالم، افراد با شدت های مختلف بیماری پارکینسون و افراد مبتلا به سایر اختلالات مشابه پارکینسون مورد استفاده قرار گیرند.
در این مطالعه جدید، محققان این سوال را مطرح کردند که آیا می‌توان از داده‌های جمع‌آوری‌شده در حین انجام وظایف راه رفتن و ایستادن نه تنها برای تشخیص، بلکه برای ردیابی پیشرفت علائم حرکتی در بیماری پارکینسون در طول زمان استفاده کرد. شرکت‌کنندگان در مطالعه به‌طور فشرده با بازدید از کلینیک هر سه ماه یکبار مورد ارزیابی قرار گرفتند تا تیم بتواند کوتاه‌ترین زمانی را که تجزیه و تحلیل آنها می‌تواند پیشرفت بیماری را تشخیص دهد، تعیین کند. آنها دریافتند که با تکنیک آنها می توان پیشرفت را در کمتر از 15 ماه تشخیص داد.
این مطالعه بخشی از کار طولی در مطالعه کمی آکسفورد در پارکینسونیسم، OxQUIP است که توسط UCB تامین مالی شده است.
