Procjenjuje se da više od 10 milijuna ljudi u svijetu živi s dijagnozom Parkinsonova bolest, a broj oboljelih stalno raste. Unatoč velikom napretku neurologije, Parkinsonova bolest i dalje se najčešće dijagnosticira tek kada su motorički simptomi već jasno izraženi. Istraživači s instituta kao što je MIT, uz suradnju s velikim bolnicama i sveučilištima, razvili su novi pristup u kojem sustavi temeljeni na AI analiziraju noćno disanje i na temelju tih signala prepoznaju Parkinsonovu bolest te prate njezino napredovanje.
Ovaj pristup koristi ideju da Parkinsonova bolest ne utječe samo na kretanje i mišićnu kontrolu, nego i na autonomni živčani sustav koji regulira disanje, san i mnoge druge nesvjesne funkcije. Ako se obrazac disanja tijekom spavanja mijenja na specifične načine, tada ti suptilni signali mogu postati digitalni tragovi koje napredni algoritmi prepoznaju kao rane znakove da je prisutna Parkinsonova bolest. Za razliku od uobičajenih pregleda, ovakav se sustav može koristiti pasivno, bez dodatnog napora pacijenta, u njihovoj vlastitoj spavaćoj sobi.
Što je Parkinsonova bolest i zašto je rana dijagnoza ključna
Parkinsonova bolest je progresivna neurodegenerativna bolest kod koje postupno odumiru živčane stanice u dijelovima mozga koji kontroliraju pokrete. Kako te stanice odumiru, smanjuje se razina dopamina, što dovodi do tipičnih simptoma kao što su tremor u mirovanju, usporenost pokreta, ukočenost mišića i poteškoće s ravnotežom. Parkinsonova bolest često je praćena i nemotoričkim simptomima koji uključuju poremećaje sna, promjene raspoloženja, smetnje koncentracije i pamćenja, bol te autonomne tegobe poput zatvora ili pada krvnog tlaka pri ustajanju.
Budući da Parkinsonova bolest napreduje tijekom godina, rano prepoznavanje omogućuje pravovremeno uključivanje terapije, fizikalne rehabilitacije i promjena životnog stila. Iako današnji lijekovi ne mogu zaustaviti Parkinsonova bolest, mogu značajno ublažiti simptome i usporiti gubitak funkcionalnosti. Problem je u tome što su rani znakovi često blagi, nespecifični i lako se pripisuju drugim stanjima ili samom procesu starenja. Zato znanstvenici traže nove načine kako prepoznati Parkinsonova bolest prije nego što pacijent razvije izražen tremor ili primijeti teže poteškoće pri hodu.
Klasična dijagnostika oslanja se na neurološki pregled, detaljnu anamnezu, promatranje hodanja, ravnoteže i finih pokreta, a ponekad i na dodatne pretrage poput DaTSCAN snimanja ili MRI mozga. Ipak, Parkinsonova bolest se i dalje u praksi uglavnom potvrđuje na temelju kliničkih kriterija. Novi digitalni biomarkeri, poput analize noćnog disanja, mogli bi dopuniti taj proces i pružiti objektivne podatke prikupljene kroz duže vremensko razdoblje.
Parkinsonova bolest i simptomi koji se skrivaju u noći
Jedan od razloga zašto istraživače zanima disanje tijekom sna jest to što se Parkinsonova bolest odražava i na sustave koji ne ovise izravno o voljnoj kontroli. Autonomni živčani sustav regulira ritam disanja, rad srca i brojne druge funkcije koje se odvijaju bez naše svjesne aktivnosti. Kada Parkinsonova bolest postupno mijenja način na koji mozak upravlja tim procesima, te promjene se mogu odraziti u šablonama disanja, pogotovo tijekom spavanja kada nema svjesne kontrole.
Uz motoričke simptome, mnogi oboljeli navode i poteškoće sa snom: često buđenje, nemiran san, noćne more, iznenadne pokrete u fazi sna kada bi tijelo trebalo biti mirno, ili pak sindrom nemirnih nogu. Parkinsonova bolest povezuje se i s otežanim disanjem u snu, uključujući promjene u brzini i dubini udisaja, epizode plitkog disanja ili kratke prekide disanja. Iako ti simptomi nisu isti kod svih, statistički se pojavljuju češće kod ljudi s ovom dijagnozom.
Zato se znanstvenici pitaju može li se iz samog uzorka disanja izdvojiti informacija iz koje se vidi da je prisutna Parkinsonova bolest, čak i ako osoba još nema vrlo izražen tremor ili tipičan usporen hod. Ako bi to bilo moguće, tada bi kontinuirano praćenje disanja tijekom noći moglo postati snažan alat za ranu detekciju i praćenje napredovanja bolesti.
Ogromna baza podataka noćnog disanja
Kako bi provjerili tu ideju, istraživači su prikupili kombiniranu bazu podataka koja sadrži više od 11 960 noći i preko 120 000 sati signala noćnog disanja. U istraživanje je bilo uključeno više od 750 osoba kod kojih je već dijagnosticirana Parkinsonova bolest. Podaci su prikupljani iz brojnih izvora, uključujući projekte koje podržava Michael J. Fox Foundation, promatračke studije na MIT-u, laboratorije za poremećaje sna u ustanovama poput Mayo Clinic i Massachusetts General Hospital, kao i javno dostupne podatke o spavanju.
Ovakav opsežan skup podataka omogućio je vrlo raznolik uvid u to kako izgleda noćno disanje kod osoba kojima je Parkinsonova bolest potvrđena u različitim fazama i u različitim okruženjima. U bazi se nalaze ljudi s blagim, umjerenim i uznapredovalim stadijima bolesti, kao i pacijenti s različitim životnim navikama, komorbiditetima i obrascima spavanja. Što je veća raznolikost u bazi, to algoritam ima više primjera iz kojih može „naučiti“ prepoznati suptilne obrasce povezane s dijagnozom Parkinsonova bolest.
Kako bi dodatno provjerili koliko je sustav robustan, istraživači su koristili i podatke iz neovisnih vanjskih kohorti. To znači da su trenirali model na jednom dijelu podataka, a zatim ga testirali na sasvim drugim skupovima noćnog disanja koje model „nije vidio“ tijekom učenja. Ako i na takvim podacima sustav prepoznaje Parkinsonova bolest s visokom točnošću, to je snažan dokaz da algoritam ne uči samo napamet specifične primjere, nego doista otkriva opće obrasce.
Dva načina prikupljanja signala: pojas za disanje i radarski senzor
Svi podaci o disanju nisu prikupljeni na isti način. Prvi dio baze dolazi od pacijenata koji su tijekom spavanja nosili poseban pojas za disanje. Taj pojas mjeri širenje prsnog koša i trbuha pri svakom udisaju i izdisaju, pa se iz njegovog signala jasno vidi ritam, dubina i eventualne nepravilnosti disanja. Kod osoba kojima je Parkinsonova bolest potvrđena, ti signali mogu sadržavati specifične nepravilnosti koje su ljudskom oku teško prepoznatljive, ali ih algoritmi mogu uočiti.
Drugi dio baze podataka nastao je uz pomoć bežičnog radio uređaja koji su istraživači s MIT-a razvili upravo za beskontaktno praćenje disanja. Taj nizkoenergetski sustav emitira slabe radio valove u prostoriji i analizira refleksije koje nastaju kad se valovi odbijaju od tijela osobe koja spava. Iz tih refleksija moguće je izračunati sitne pomake prsnog koša uzrokovane disanjem. Na taj način Parkinsonova bolest može biti praćena bez ikakvog senzora na koži ili posebne opreme koju bi pacijent morao nositi.
Ovakav pristup ima veliku prednost za svakodnevni život oboljelih. mnogi pacijenti, osobito ako Parkinsonova bolest traje godinama, već imaju dovoljno rutinskih pregleda i terapija te im je opterećenje svaka dodatna procedura. Beskontaktni senzor koji se diskretno nalazi u sobi i automatski bilježi noćno disanje, a potom daje podatke liječniku, može značajno olakšati praćenje stanja.
Kako AI uči prepoznati Parkinsonovu bolest
Nakon prikupljanja podataka, istraživači su primijenili napredne tehnike machine learninga. Razvili su duboku neuronsku mrežu koja je učena da na temelju uzoraka disanja predvidi ima li osoba Parkinsonova bolest ili ne, te da procijeni težinu bolesti. Model je pritom trebao naučiti kakvi obrasci disanja češće prate Parkinsonova bolest, a da pritom ostane dovoljno općenit kako bi radio i na novim pacijentima koji nisu bili u originalnoj bazi.
Zanimljivo je da su koristili koncept nazvan transfer learning. To znači da je isti model bio treniran da radi i s podacima dobivenima iz pojasa za disanje i s podacima iz beskontaktnog radio senzora. Umjesto da imaju dva potpuno odvojena sustava, istraživači su omogućili modelu da „prenosi“ znanje između tih različitih izvora signala. Na taj način Parkinsonova bolest može se prepoznavati iz različitih vrsta podataka, dok se ključni obrasci u disanju ipak zadržavaju zajedničkima.
Model ne gleda samo prosječnu brzinu disanja, nego analizira kompletnu „strukturu“ signala: sitne promjene u ritmu, varijabilnost, trajanje pojedinih faza disanja i mnoge druge karakteristike. U ogromnoj količini podataka koje stvara svaka noć spavanja, skriveni su obrasci koje ljudsko oko teško može uočiti, ali za koje se pokazuje da su povezani s time ima li osoba Parkinsonova bolest i u kojem je stadiju.
Digitalni biomarker za Parkinsonovu bolest
Kada se kaže da je disanje potencijalni digitalni biomarker, misli se na to da se iz signala disanja može izračunati niz brojčanih pokazatelja koji odražavaju prisutnost i napredovanje bolesti. Kod mnogih kroničnih stanja, pa tako i kada je u pitanju Parkinsonova bolest, velika je vrijednost upravo u tome da liječnik može pratiti promjene tijekom vremena, a ne osloniti se samo na povremeni pregled u ordinaciji.
Prema rezultatima istraživanja, sustav temeljen na AI pokazao je visoku točnost u razlikovanju osoba kod kojih je Parkinsonova bolest prisutna od onih kod kojih nije. Još važnije, isti sustav pokazuje osjetljivost na sitne promjene u obrascu disanja kroz mjesece i godine. Ako Parkinsonova bolest postupno napreduje, ti će se pomaci odraziti u digitalnim pokazateljima koje model prati, što omogućuje finije praćenje učinka terapije ili napredovanja bolesti.
Takav digitalni biomarker mogao bi se koristiti i u kliničkim ispitivanjima novih lijekova. Umjesto da se oslanjaju samo na periodične kliničke skale, istraživači bi imali kontinuirani tok podataka o tome kako se Parkinsonova bolest ponaša kod većeg broja sudionika tijekom noći. To bi moglo smanjiti troškove, ubrzati ispitivanja i omogućiti brže prilagodbe terapijskih strategija.
Prednost sustava koji prati Parkinsonovu bolest kod kuće
Jedna od najvećih prednosti ovog pristupa jest činjenica da pacijent ne mora mijenjati svoje navike. Beskontaktni uređaj smješten u spavaćoj sobi može svake noći prikupljati podatke dok osoba spava, bez ikakve aktivne uključenosti. Za ljude kojima je Parkinsonova bolest već otežala svakodnevne aktivnosti, to je iznimno važno, jer smanjuje dodatni stres i umor.
Uz to, podaci prikupljeni u kućnim uvjetima često vjernije odražavaju stvarno stanje nego oni iz laboratorija. U kliničkom okruženju pacijent spava u nepoznatoj sobi, spojen na više senzora i pod nadzorom osoblja, što može promijeniti prirodan ritam spavanja. Kod kuće je situacija opuštenija, pa je i uzorak disanja vjerojatno bliži stvarnim navikama. Upravo zato je korisno da se Parkinsonova bolest može pratiti u uobičajenom okruženju oboljele osobe.
Za liječnike, ovakav sustav znači da dobivaju detaljan uvid u to kako se Parkinsonova bolest ponaša između kontrolnih pregleda. Umjesto da se oslanjaju samo na subjektivni opis pacijenta ili člana obitelji, mogu kroz grafove, trendove i automatske analize vidjeti je li došlo do pogoršanja ili poboljšanja simptoma povezanih s disanjem i snom.
Potencijal rane detekcije i praćenja rizičnih skupina
Iako je istraživanje prvenstveno rađeno na osobama kojima je Parkinsonova bolest već dijagnosticirana, autori rada pokazuju zanimanje i za primjenu kod ljudi s visokim rizikom. To uključuje, primjerice, osobe s genetskim varijantama kao što je mutacija gena LRRK2, kod kojih je vjerojatnost da će se razviti Parkinsonova bolest povećana u odnosu na opću populaciju.
U budućnosti bi sustav koji analizira noćno disanje mogao pasivno pratiti takve rizične osobe tijekom više godina. Ako bi algoritam uočio obrazac disanja karakterističan za rane faze, mogao bi poslati signal liječniku da je potrebno detaljnije evaluirati pacijenta. Tako bi Parkinsonova bolest bila otkrivena prije nego što pacijent sam primijeti značajne poteškoće, što otvara prostor za ranije uključivanje terapije i praćenje od samog početka bolesti.
Sličan pristup mogao bi se primijeniti i kod drugih neurodegenerativnih stanja koja utječu na san i disanje. Ipak, za sada je fokus na tome da se što preciznije razumije kako Parkinsonova bolest mijenja obrazac disanja i kako te promjene kvantificirati u pouzdan digitalni biomarker.
Izazovi, ograničenja i etička pitanja
Unatoč velikom potencijalu, ovakav sustav ima i niz izazova. Prije svega, potrebno je osigurati da algoritam jednako dobro radi na različitim populacijama, kulturama i zdravstvenim sustavima. Većina dostupnih podataka prikupljena je u razvijenim zemljama, pa se postavlja pitanje kako će model raditi u okruženjima gdje su uvjeti života, spavanja i zdravstvene skrbi bitno drugačiji, a Parkinsonova bolest se možda manifestira u kombinaciji s drugim, češćim bolestima.
Drugi važan izazov je privatnost podataka. Sustav koji svaku noć prikuplja podatke iz nečije spavaće sobe mora biti projektiran tako da štiti privatnost i sigurnost informacija. To uključuje enkripciju podataka, stroge protokole o tome tko smije pristupiti rezultatima i transparentnost prema pacijentima o tome kako se njihovi podaci koriste. Parkinsonova bolest, kao i svaka kronična bolest, nosi sa sobom i određenu stigmu, pa je važno da se pacijenti osjećaju sigurno kada koriste ovakve tehnologije.
Treći izazov je komunikacija rezultata. Čak i ako algoritam vrlo precizno prepoznaje Parkinsonova bolest, liječnici i pacijenti moraju razumjeti što ti rezultati znače. Potrebno je izbjeći situacije u kojima pacijent dobije uzbunu da model „sumnja“ na Parkinsonova bolest, a da to nije jasno objašnjeno u kontekstu cjelokupne kliničke slike. Stoga se naglašava da ovakvi digitalni biomarkeri trebaju biti podrška, a ne zamjena za stručnu procjenu neurologa.
Budućnost praćenja bolesti uz pomoć AI
Razvoj sustava koji noćno disanje pretvara u digitalni prozor prema mozgu pokazuje koliko su se promijenile mogućnosti praćenja kroničnih bolesti. Parkinsonova bolest, koja je desetljećima bila dijagnosticirana gotovo isključivo na temelju vidljivih motoričkih simptoma, sada se može proučavati i kroz podatke koje prikupljamo pasivno, iz svakodnevnog života. To otvara mogućnost da se Parkinsonova bolest sagledava kao stanje koje ostavlja tragove u cijelom organizmu, a ne samo u mišićima i pokretima.
Kako se tehnologije poput AI sve više integriraju u medicinu, raste i potreba za timovima u kojima blisko surađuju inženjeri, liječnici, statističari i stručnjaci za etiku. Parkinsonova bolest tako postaje primjer kako kompleksni neurološki poremećaj može biti bolje shvaćen kada se kliničko iskustvo spoji s analizom velikih skupova podataka. U tom okviru, sustavi za analizu noćnog disanja mogli bi postati jedan od alata koji neurologu daje dodatnu razinu uvida u to kako Parkinsonova bolest napreduje kroz vrijeme.
Konačno, istraživanja sugeriraju da je ovo tek početak. Isti principi mogli bi se primijeniti i na druge fiziološke signale, poput kretanja tijekom noći, srčanog ritma ili govora. Za sada, međutim, analiza disanja ostaje jedan od najzanimljivijih načina na koji se Parkinsonova bolest može pratiti na neinvazivan, tih i za pacijenta gotovo neprimjetan način, pružajući liječnicima vrijedne informacije za donošenje odluka o terapiji i daljnjem praćenju.
Copyright © 2022 Cami Rosso Sva prava pridržana.
