Voor mensen die getroffen worden door de ziekte van Parkinson behoren evenwichtsproblemen vaak tot een dagelijks terugkerend fenomeen, en daarmee ook de uitdaging om niet te vallen. Er zijn onderzoeken die schatten dat bijna twee derde (60%) van de mensen met Parkinson wel eens valt. Met alle gevolgen, tot en met ziekenhuisopnames aan toe, van dien. In een onderzoek, uitgevoerd door de Universiteit van Oxford, werd gekeken naar hoe draagbare sensoren, en dan met name de data die daarmee verzameld wordt, kunnen bijdragen aan het nauwkeurig voorspellen van het valrisico bij Parkinsonpatiënten over een periode van vijf jaar.
Een nauwkeurige beoordeling van het valrisico is van cruciaal belang voor het maken van een effectieve zorgplanning voor Parkinsonpatiënten. De huidige meet- en beoordelingsmethoden zijn echter nogal tijdrovend en onderhevig aan de subjectieve beoordeling van een arts. Voor het onderzoek werd dus gebruik gemaakt van draagbare sensoren. De resultaten van het onderzoek zijn gepubliceerd in Digital Medicine.
Het onderzoek
Het team van het NeuroMetrology lab van het Nuffield Department of Clinical Neurosciences verzamelde gegevens van 104 mensen met de ziekte van Parkinson die nog niet eerder gevallen waren. Daarvoor werden zes draagbare sensoren gebruikt. Voor het verzamelen van de benodigde data, werd patiënten gevraagd om taken uit te voeren, zoals een wandeling van twee minuten en een houdingstaak van 30 seconden. Daarnaast gebruikte het team verschillende veelgebruikte vragenlijsten en klinische beoordelingsgrafieken om de ernst van de ziekte en de perceptie van de achteruitgang in mobiliteit van de patiënt zelf te beoordelen.
Na de eerste test werden na 24 en 60 maanden follow-up tests uitgevoerd. De gegevens werden vervolgens allemaal met behulp van machine learning-methoden geanalyseerd. Zo konden de onderzoekers de belangrijkste kenmerken identificeren die mensen met Parkinson met en zonder valrisico van elkaar onderscheiden. De analyse onthulde significante verschillen in kenmerken met betrekking tot lopen en houding tussen degenen die wel en degenen die niet vielen.
Beter begrip valrisico
Het onderzoek draagt bij aan een beter begrip van het risico op vallen bij mensen met Parkinson en laat zien dat draagbare sensoren nauwkeurige voorspellingen van valrisico's kunnen geven. Bovendien hoeft het onderzoek zelf, dankzij het gebruik van de sensoren en AI-technologie, nog maar drie minuten in beslag te nemen. Dat draagt weer bij aan een verlichting van de werkdruk van artsen en verminderd tevens de belasting voor de patiënten.
En, zo stellen de onderzoekers, wanneer we in staat zijn om deze valincidenten te voorspellen, is de logische volgende stap om een manier te bieden om ze te voorkomen. Als we in staat zijn om in een vroeg stadium te voorspellen wie waarschijnlijk zal vallen, kan dit de weg vrijmaken voor meer gerichte en effectieve zorgprogramma's en uiteindelijk levensbedreigende valpartijen helpen voorkomen.
“Ik ben erg blij met de publicatie van dit werk. Het is goed gedocumenteerd dat Parkinson het risico op vallen verhoogt. Dit is werk in wording van de afgelopen jaren waarbij we patiënten uit ons OxQUIP-cohort volgden en het toont veelbelovend in het nauwkeurig beoordelen van vallen en geeft ons daarom de mogelijkheid om na te denken over effectieve zorgplanning. Dit is een geweldige kans om het PD-management te verbeteren en te beginnen met het ontwikkelen van realistische en effectieve preventiestrategieën”, zegt Professor Chrystalina Antoniades, hoofdauteur van het onderzoek.
Snellere diagnose
Sensoren en machine learning worden ook ingezet om de diagnose Parkinson eerder kunnen te stellen. Daarvoor hebben Amerikaanse onderzoekers dit jaar een machine learning algoritme ontwikkeld dat data van draagbare, beweging registrerende, sensoren analyseert. Daarmee kunnen delen van het testproces voor de diagnose van Parkinson geautomatiseerd worden. Uiteindelijk kan dit volgens de onderzoekers leiden tot nauwkeurigere en eerdere diagnoses, wat weer kan leiden tot eerdere therapeutische interventies
