Valutare la malattia di Parkinson attraverso attività di tracciamento sui topi

La Malattia di Parkinson (PD) è una malattia che colpisce il sistema nervoso, causando problemi di movimento. I segni più comuni includono tremori, movimenti lenti, muscoli rigidi e difficoltà a mantenere l'equilibrio. Questi problemi peggiorano nel tempo, rendendo complicati compiti quotidiani come digitare o usare il mouse. Rilevare la PD precocemente è importante, poiché aiuta a gestire meglio la malattia. Circa 10 milioni di persone nel mondo hanno la PD, rendendola la seconda malattia più comune dopo l'Alzheimer. Negli Stati Uniti, circa un milione di persone sono diagnosticate con la PD, e questo numero è destinato a crescere nei prossimi anni. Purtroppo, attualmente non esiste un test specifico per confermare la PD, quindi i medici si affidano solitamente ai sintomi e a vari esami per fare una diagnosi. Questo a volte può portare a errori, poiché i sintomi della PD possono sembrare simili a quelli di altre condizioni.

#Sfide attuali nella diagnosi

Diagnosticare la PD può essere complicato. I sintomi spesso si sovrappongono a quelli di diverse malattie legate all'età o agli effetti collaterali dei farmaci. Quando una persona inizia a mostrare sintomi fisici di PD, un numero significativo di cellule cerebrali che producono dopamina - una sostanza chimica che aiuta a controllare il movimento - è già morto. Questo rende ancora più importante catturare la malattia precocemente.

I metodi attuali per comprendere e categorizzare la PD coinvolgono la valutazione dei movimenti delle mani, del parlato, della scrittura e persino dei dati raccolti da dispositivi come smartphone e sensori. Alcuni ricercatori hanno provato a usare dispositivi avanzati che misurano il movimento, ma questi metodi spesso richiedono impostazioni e attrezzature speciali. Anche i metodi di raccolta dati auto-riferiti, come i modelli di digitazione o l'uso degli schermi degli smartphone, possono introdurre bias, specialmente per chi digita lentamente. Sono state create app mobili per aiutare a monitorare il movimento e i sintomi, ma per gli anziani può essere difficile usare queste tecnologie.

#Panoramica dello studio

La nostra ricerca si concentra sul migliorare il modo in cui facciamo screening per la PD utilizzando semplici attività di tracciatura del mouse attraverso un'app web amichevole. I Partecipanti al nostro studio hanno completato compiti in cui tracciavano diversi modelli (come spirali, linee dritte e onde) usando un mouse. Abbiamo raccolto e analizzato i dati sui movimenti del mouse e creato immagini da questi movimenti per addestrare modelli informatici a classificare la PD.

Per farlo in modo efficace, abbiamo usato vari modelli avanzati per analizzare i dati raccolti, inclusi modelli di deep learning. Abbiamo anche combinato le informazioni sui movimenti del mouse con le immagini generate per creare modelli multimodali. Abbiamo testato questi modelli in diversi scenari per vedere quanto bene potessero identificare la PD.

#Processo di raccolta dati

Abbiamo creato un sito web per raccogliere dati dai partecipanti tramite test di tracciamento del mouse. Le persone hanno partecipato allo studio fornendo informazioni di base su di loro e completando diversi compiti di tracciamento online. Dopo aver tracciato i modelli, abbiamo salvato i dati sui loro movimenti del mouse, comprese informazioni come l'accuratezza del tracciamento e il tempo impiegato.

Questi dati includevano quanto bene i loro movimenti seguivano le linee sullo schermo. Abbiamo anche registrato informazioni aggiuntive sui loro dispositivi e sulle dimensioni dello schermo per contesto. Una volta completati i test, tutti i dati sono stati conservati in modo sicuro.

#Ingegneria delle caratteristiche e analisi

Dai dati sui movimenti del mouse che abbiamo raccolto, abbiamo calcolato diverse caratteristiche importanti, come quanto bene i partecipanti tracciavano le linee e il tempo impiegato per farlo. Abbiamo poi creato immagini basate su questi movimenti del mouse da utilizzare nei nostri modelli informatici.

Abbiamo sviluppato diversi set di modelli per analizzare i dati. Un set si è concentrato sull'uso dei dati grezzi dei partecipanti, mentre un altro ha elaborato le immagini generate dal tracciamento del mouse. Un terzo set ha combinato entrambi i tipi di dati per le previsioni finali.

#Valutazione del Modello

Abbiamo valutato le prestazioni dei nostri modelli utilizzando tre diverse strategie di valutazione. La prima ha valutato solo quei partecipanti che erano confermati avere la PD o non averla, escludendo coloro che sospettavano di avere la malattia. In questo approccio, potevamo misurare quanto bene i dati di tracciamento del mouse aiutassero con le previsioni della PD.

Nella seconda strategia, abbiamo addestrato i nostri modelli su dati confermati di PD e non PD, testandoli su individui sospettati di avere la PD. In questo modo, potevamo vedere se i modelli riuscivano a cogliere segni precoci di PD.

Il terzo approccio ha coinvolto l'addestramento dei modelli su casi sospettati di PD e il test su casi confermati. Questo ci ha aiutato a determinare se coloro che sospettavano di avere la PD potessero essere valutati accuratamente in base ai loro dati di tracciamento del mouse.

#Risultati e scoperte

Nei nostri studi, diversi modelli hanno mostrato che integrare i dati di tracciamento del mouse e le immagini generate migliorava l'accuratezza delle previsioni sulla PD. I modelli hanno costantemente ottenuto risultati migliori utilizzando entrambi i tipi di dati rispetto a utilizzarne solo uno. Ad esempio, il modello multimodale, che combinava sia i dati di movimento del mouse che le immagini di tracciamento, si è comportato meglio in tutti i metodi di valutazione.

La nostra analisi ha incluso anche un'analisi più approfondita di quali caratteristiche fossero più importanti per le previsioni. Abbiamo scoperto che le immagini dei tracciati del mouse giocavano un ruolo significativo nell'identificare accuratamente i casi confermati di PD, mentre il tempo impiegato per Tracciare i modelli era più influente nella valutazione dei casi sospettati di PD.

#Informazioni sui partecipanti

Un totale di 315 partecipanti ha completato lo studio. Tra questi, 73 hanno riferito di avere la PD, 179 sono stati confermati di non avere la PD e 63 sospettavano di poter avere la PD. La maggior parte dei partecipanti era destrimano e utilizzava dispositivi con Windows.

#Limitazioni e direzioni future

Anche se i nostri risultati mostrano potenziale, ci sono alcune limitazioni in questo studio che future ricerche dovrebbero affrontare. La dimensione del campione, sebbene sostanziale, potrebbe non rappresentare la diversità presente nella popolazione generale. Inoltre, non abbiamo considerato gli effetti dei farmaci sui sintomi durante lo studio.

Il tipo di mouse utilizzato dai partecipanti potrebbe anche aver influenzato i risultati, poiché diversi tipi di mouse possono influenzare come si manifestano i tremori. Inoltre, dobbiamo ancora capire come fattori come la mano dominante del partecipante o il tipo di dispositivo influenzino i dati raccolti.

Il lavoro futuro dovrebbe concentrarsi sull'ampliamento del processo di raccolta dati includendo altri tipi di informazioni, come registrazioni vocali e misurazioni dei movimenti. Ottimizzare i modelli per un uso pratico senza perdere efficacia sarà anche essenziale per le applicazioni nel mondo reale.

#Conclusione

Questa ricerca evidenzia il potenziale di utilizzare semplici attività di tracciamento del mouse come strumento per valutare la PD da remoto. L'integrazione di dati di movimento e immagini può fornire preziose informazioni sulla malattia e aiutare a identificare individui che potrebbero necessitare di ulteriori valutazioni. Raffinando questi metodi, c'è la possibilità di sviluppare un approccio più efficace e non invasivo per diagnosticare e gestire la malattia di Parkinson.