Simple Science

La science de pointe expliquée simplement

# Sciences de la santé # Neurologie

Capteurs portables : Une nouvelle façon de suivre l'ataxie

Les appareils portables donnent des infos nouvelles sur la progression de l'ataxie et l'efficacité des traitements.

Anoopum S Gupta, R. Manohar, F. X. Yang, C. D. Stephen, J. D. Schmahmann, N. M. Eklund

― 6 min lire


Suivre l'ataxie avec la Suivre l'ataxie avec la technologie l'avancement des traitements. nouvelles infos sur l'ataxie et Des capteurs portables révèlent de
Table des matières

Des chercheurs bossent sur de nouveaux traitements pour les maladies touchant le système nerveux, surtout pour des trucs comme les Ataxies spinocérébelleuses (SCA) et l'atrophie multisystémique (AMS). Un gros défi pour développer ces traitements, c'est qu'il manque d'outils efficaces pour mesurer comment les maladies progressent et si les traitements marchent bien. Les méthodes actuelles se basent sur des échelles notées par des cliniciens, comme l'Échelle d'évaluation et de notation de l'ataxie (SARA). Mais ces échelles peuvent être un peu incohérentes à cause des notations subjectives, du manque de détails dans les scores, et des variations dans l'énergie des patients pendant les évaluations. En plus, ces échelles ne reflètent pas toujours bien les compétences motrices quotidiennes d'une personne.

Technologie portable pour l'évaluation

Des dispositifs portables, comme des capteurs de poignet avec accéléromètres, offrent une solution prometteuse pour mesurer le mouvement et suivre les changements chez les personnes atteintes d'ataxie. Ces capteurs ont été utilisés dans diverses tâches impliquant les membres supérieurs, comme bouger les mains, et ont montré qu'ils peuvent bien différencier ceux avec ataxie et les gens en bonne santé tout en s'alignant plutôt bien avec les échelles de notation classiques.

Une technologie similaire a été appliquée pour évaluer les mouvements des membres inférieurs et du tronc pour analyser la marche et l'équilibre pendant des tests simples. Les données de ces capteurs ont démontré une forte capacité à rapporter les changements dans l'état d'une personne au fil du temps, montrant une meilleure sensibilité que les échelles de notation traditionnelles.

Les chercheurs ont aussi découvert que ces capteurs peuvent être utilisés dans l'environnement naturel d'une personne chez elle. En portant des capteurs sur les pieds et le bas du dos, les gens peuvent être surveillés pendant leur routine quotidienne. Cette méthode permet aux chercheurs de collecter des données sans interrompre les activités normales, capturant des motifs de mouvement pertinents et des changements d'équilibre.

Étude et résultats

Dans une étude récente, les chercheurs ont suivi des personnes avec des SCA et de l'AMS en utilisant des Capteurs portables sur une période définie. Ils se sont concentrés sur la capture des comportements de mouvement naturels et ont examiné comment ces changements étaient liés aux Évaluations cliniques établies. Les participants ont participé à l'étude de fin 2019 à début 2024, fournissant une large gamme de données.

Les participants âgés de 18 ans et plus étaient inclus dans l'étude. Ce groupe était composé de personnes diagnostiquées avec des types spécifiques d'ataxie, ainsi que de participants témoins sans facteurs de risque d'ataxie. On a demandé aux participants de porter des dispositifs sur leurs poignets et chevilles pour collecter des données de mouvement dans leur vie quotidienne.

Les données ont été analysées en fonction de la fréquence et de la qualité du mouvement. Les chercheurs ont prêté une attention particulière aux caractéristiques du mouvement, comme la force et la stabilité des mouvements. Ils ont utilisé ces données pour comparer avec les évaluations traditionnelles et identifier comment la technologie portable pouvait améliorer la compréhension des conditions d'ataxie.

L'étude a révélé que les capteurs portables pouvaient mesurer avec précision les changements de mouvement au fil du temps, avec un suivi significatif de la Progression de la maladie. Les mesures des capteurs de poignet et de cheville étaient bien corrélées avec les évaluations cliniques standards, confirmant leur valeur pour comprendre l'ataxie.

Exploration des Sous-mouvements

Une partie importante de la recherche a impliqué l'analyse de mouvements plus petits, appelés sous-mouvements. Ce sont les éléments de base des actions plus grandes. Les chercheurs ont noté que chez les personnes atteintes d'ataxie, ces sous-mouvements avaient tendance à devenir plus petits, plus lents et moins précis, indiquant un déclin progressif de la fonction motrice.

Ils ont observé ce changement continu non seulement dans des contextes basés sur des tâches, mais aussi dans les activités quotidiennes à la maison. Cette découverte suggère que l'analyse des sous-mouvements peut fournir un aperçu détaillé de l'impact de l'ataxie sur le contrôle moteur au fil du temps.

Résultats clés

L'étude a mis en avant plusieurs résultats importants :

  1. Corrélation avec les mesures cliniques : Les données des capteurs portables correspondaient bien aux résultats des évaluations cliniques traditionnelles. Ça renforce l'intérêt d'utiliser la technologie pour évaluer la progression de la maladie.

  2. Sensibilité au changement : Les mesures dérivées des capteurs pouvaient détecter les changements dans l'état d'une personne plus efficacement que certaines évaluations standards, qui peuvent parfois passer à côté de déclins subtils.

  3. Fiabilité : Les mesures obtenues grâce aux capteurs étaient cohérentes dans le temps, ce qui indique qu'elles pourraient être utilisées de manière fiable dans de futures études et évaluations de traitement.

  4. Surveillance du comportement naturel : En laissant les participants faire des activités normales tout en portant les capteurs, les chercheurs ont collecté des données qui représentaient plus fidèlement la fonction quotidienne.

  5. Différenciation des populations : Les données des individus atteints d'ataxie étaient systématiquement différentes de celles des participants témoins, démontrant le potentiel d'utiliser ces capteurs pour identifier et analyser des types spécifiques d'ataxie.

Directions futures

Bien que les résultats soient prometteurs, la recherche a encore des limites. Le groupe de personnes étudiées était relativement petit, et plus de points dans le temps seraient utiles pour mieux comprendre comment l'ataxie progresse dans chaque cas unique.

Il faut encore enquêter avec de plus grands groupes de personnes vivant différents types d'ataxie, surtout celles en début de maladie. Ça pourrait aider à identifier plus rapidement les premiers signes de déclin moteur et l'efficacité des traitements.

Alors que la technologie continue d'évoluer, il y a un potentiel pour développer des outils encore plus raffinés qui peuvent surveiller non seulement le mouvement mais aussi d'autres aspects de la vie quotidienne qui pourraient être affectés par l'ataxie. En intégrant ces données avec les évaluations cliniques, les chercheurs espèrent créer une image complète de l'impact de la maladie sur les individus.

Conclusion

L'utilisation de capteurs portables présente une nouvelle voie prometteuse pour surveiller et comprendre des maladies neurodégénératives comme l'ataxie. En capturant des données de mouvement détaillées dans des contextes réels, les chercheurs peuvent obtenir des aperçus plus profonds sur la progression de la maladie et les réponses au traitement. Cette technologie a le potentiel de transformer notre façon d'évaluer et de gérer ces conditions, améliorant la qualité de vie des personnes touchées. L'engagement continu à affiner ces méthodes et à intégrer les retours des patients sera essentiel pour les avancées futures dans ce domaine.

Source originale

Titre: At-home wearables and machine learning capture motor impairment and progression in adult ataxias

Résumé: A significant barrier to developing disease-modifying therapies for spinocerebellar ataxias (SCAs) and multiple system atrophy of the cerebellar type (MSA-C) is the scarcity of tools to sensitively measure disease progression in clinical trials. Wearable sensors worn continuously during natural behavior at home have the potential to produce ecologically valid and precise measures of motor function by leveraging frequent and numerous high-resolution samples of behavior. Here we test whether movement-building block characteristics (i.e., submovements), obtained from the wrist and ankle during natural behavior at home, can sensitively capture disease progression in SCAs and MSA-C, as recently shown in amyotrophic lateral sclerosis (ALS) and ataxia telangiectasia (A-T). Remotely collected cross-sectional (n = 76) and longitudinal data (n = 27) were analyzed from individuals with ataxia (SCAs 1, 2, 3, and 6, MSA-C) and controls. Machine learning models were trained to produce composite outcome measures based on submovement properties. Two models were trained on data from individuals with ataxia to estimate ataxia rating scale scores. Two additional models, previously trained entirely on longitudinal ALS data to optimize sensitivity to change, were also evaluated. All composite outcomes from both wrist and ankle sensor data had moderate to strong correlations with ataxia rating scales and self-reported function, strongly separated ataxia and control populations, and had high within-week reliability. The composite outcomes trained on longitudinal ALS data most strongly captured disease progression over time. These data demonstrate that outcome measures based on accelerometers worn at home can accurately capture the ataxia phenotype and sensitively measure disease progression. This assessment approach is scalable and can be used in clinical or research settings with relatively low individual burden.

Auteurs: Anoopum S Gupta, R. Manohar, F. X. Yang, C. D. Stephen, J. D. Schmahmann, N. M. Eklund

Dernière mise à jour: 2024-10-29 00:00:00

Langue: English

Source URL: https://www.medrxiv.org/content/10.1101/2024.10.27.24316161

Source PDF: https://www.medrxiv.org/content/10.1101/2024.10.27.24316161.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à medrxiv pour l'utilisation de son interopérabilité en libre accès.

Articles similaires

Vision par ordinateur et reconnaissance des formes TRACE : Une nouvelle approche pour l'évaluation des risques pour la santé

Découvrez comment TRACE améliore les évaluations de santé grâce à une intégration de données avancée.

Dionysis Christopoulos, Sotiris Spanos, Valsamis Ntouskos

― 8 min lire