KI-Modell erkennt Parkinson-Krankheit an Atemmustern

Ein Team von Forschern am MIT hat ein KI-Modell entwickelt, das Parkinson-Krankheit anhand von Atemmustern erkennen kann.

Das neuronale Netzwerk kann die nächtlichen Atemmuster oder Schlafatmung einer Person auswerten, um zu bestimmen, ob sie an Parkinson-Krankheit leidet. Es wurde von dem MIT-PhD-Studenten Yuzhe Yang und dem Postdoc Yuan Tuan trainiert und kann die Schwere der Parkinson-Krankheit bestimmen und ihre Entwicklung im Laufe der Zeit verfolgen.

Yang ist der erste Autor des neuen Forschungsartikels, der in Nature Medicine veröffentlicht wurde.

Das gesamte Team umfasste Dina Katabi, die Thuan und Nicole Pham Professorin im Department of Electrical Engineering and Computer Science (EECS) und Hauptuntersucherin am MIT Jameel Clinic.

Katabi, die Senior-Autorin ist, ist auch Affiliate des MIT Computer Science and Artificial Intelligence Laboratory und Direktorin des Center for Wireless Networks and Mobile Computing.

Forscher haben die Möglichkeit, Parkinson-Krankheit mit Hilfe von Liquor cerebrospinalis und Neuroimaging zu erkennen, jedoch sind diese Methoden invasiv und teuer. Sie erfordern auch den Zugang zu spezialisierten medizinischen Zentren.

KI-Bewertung jede Nacht

Das Team von Forschern hat sich bemüht, diese Herausforderungen zu überwinden und demonstriert, dass die KI-Bewertung von Parkinson-Krankheit jede Nacht zu Hause durchgeführt werden kann. Die Person kann sogar schlafen, ohne dass ihr Körper berührt wird.

Die Forscher haben ein Gerät entwickelt, das wie ein Heim-WiFi-Router aussieht und Radiosignale aussendet, ihre Reflexionen in der Umgebung analysiert und die Atemmuster der Person ohne körperlichen Kontakt extrahiert. Das Atemsignal wird an das neuronale Netzwerk gesendet, um Parkinson-Krankheit zu bewerten, ohne dass die Patientin oder der Patient oder der Pflegeperson irgendeine Anstrengung unternehmen muss.

“Ein Zusammenhang zwischen Parkinson-Krankheit und Atmung wurde bereits 1817 in der Arbeit von Dr. James Parkinson festgestellt. Dies hat uns dazu veranlasst, die Möglichkeit zu erwägen, die Krankheit anhand der Atmung ohne Berücksichtigung von Bewegungen zu erkennen”, sagt Katabi. “Einige medizinische Studien haben gezeigt, dass respiratorische Symptome Jahre vor motorischen Symptomen auftreten, was bedeutet, dass Atemattribute vielversprechend für die Risikobewertung vor der Diagnose von Parkinson-Krankheit sein könnten.”

Laut Katabi hat die Studie wichtige Auswirkungen auf die Arzneimittelentwicklung und die klinische Versorgung.

“In Bezug auf die Arzneimittelentwicklung können die Ergebnisse klinische Studien mit wesentlich kürzerer Dauer und weniger Teilnehmern ermöglichen, was letztendlich die Entwicklung neuer Therapien beschleunigt. In Bezug auf die klinische Versorgung kann der Ansatz bei der Bewertung von Parkinson-Patienten in traditionell benachteiligten Gemeinschaften helfen, einschließlich derjenigen, die in ländlichen Gebieten leben und derjenigen, die aufgrund von Mobilitäts- oder kognitiven Einschränkungen Schwierigkeiten haben, das Haus zu verlassen”, sagt sie.

Ray Dorsey ist Professor für Neurologie an der University of Rochester und Co-Autor des Artikels. Er ist ein Parkinson-Spezialist und sagt, dass die Studie wahrscheinlich eine der größten Schlafstudien ist, die jemals über Parkinson-Krankheit durchgeführt wurde.

“Wir haben in diesem Jahrhundert keine therapeutischen Durchbrüche erlebt, was darauf hindeutet, dass unsere aktuellen Ansätze zur Bewertung neuer Behandlungen suboptimal sind”, sagt Dorsey. “Wir haben sehr wenig Informationen über die Manifestationen der Krankheit in ihrer natürlichen Umgebung und [Katabis] Gerät ermöglicht es uns, objektive, realweltliche Bewertungen davon zu erhalten, wie die Menschen zu Hause zurechtkommen. Die Analogie, die ich ziehen möchte [der aktuellen Parkinson-Bewertungen], ist eine Straßenlaterne in der Nacht, und was wir von der Straßenlaterne sehen, ist ein sehr kleiner Abschnitt … [Katabis] vollständig berührungsloses Sensor hilft uns, die Dunkelheit zu erhellen.”