РАЗРАБОТКА И АНАЛИЗ ДАННЫХ ROBO-PEN ДЛЯ ДИАГНОСТИКИ БОЛЕЗНИ АЛЬЦГЕЙМЕРА: ПРЕДВАРИТЕЛЬНЫЕ РЕЗУЛЬТАТЫ

Болезнь Альцгеймера (БА) представляет собой значительную проблему современной медицины, требующую ранних и точных методов диагностики для эффективного управления ее прогрессированием. В данном исследовании рассматривается разработка и применение Robo-pen, инновационного диагностического инструмента, предназначенного для обнаружения ранних признаков когнитивного снижения с помощью детального анализа почерка. Robo-pen, оснащенный датчиком MPU-9250, фиксирует трехмерные координаты, скорость и ускорение движений письма, что важно для оценки пространственного контроля, постоянства движений, вариаций скорости и способности модулировать скорость и силу движения – параметров, часто нарушенных при когнитивных расстройствах, таких как БА. В исследовании приняли участие 20 пациентов с диагнозом БА и 18 здоровых контрольных участников, сопоставленных по возрасту и уровню образования. Сбор данных включал задания, такие как переписывание предложений, перерисовка фигур и переписывание цифр, с обработкой данных с помощью программного обеспечения CoolTerm с частотой дискретизации 18 Гц. Описательная статистика показала, что группа с БА продемонстрировала более низкие средние значения для данных гироскопа и акселерометра, что указывает на более медленные и менее изменчивые движения по сравнению с контрольной группой. T-тесты подтвердили значительные различия (p < 0.001) по всем измеряемым параметрам между группами БА и контроля. Результаты подтверждают потенциал Robo-pen как неинвазивного и экономически эффективного диагностического инструмента для раннего выявления БА. Путем фиксирования тонких нейромоторных изменений Robo-pen способствует более ранней диагностике и своевременному вмешательству, что может изменить течение болезни и улучшить результаты для пациентов. Это исследование представляет собой значительный шаг вперед в раннем выявлении БА, подчеркивая перспективы Robo-pen как преобразующего инструмента в диагностике и управлении нейродегенеративными заболеваниями.

1. Kourtis L.C., Regele O.B., Wright J.M., Jones G.B. Digital biomarkers for Alzheimer’s disease: the mobile/wearable devices opportunity. NPJ Digit Med., 2019. https://doi.org/10.1038/s41746-019-0084-2.

2. Jack C.R., Bennett D.A., Blennow K. NIA-AA Research Framework: Toward a biological definition of Alzheimer’s disease. Alzheimer’s & Dementia, 2018, vol. 14, no. 4, pp. 535–562.

3. Albert M.S., DeKosky S.T. Dickson D. The diagnosis of mild cognitive impairment due to Alzheimer’s disease: Recommendations from the National Institute on Aging-Alzheimer’s Association workgroups on diagnostic guidelines for Alzheimer’s disease. Alzheimer’s & Dementia, 2011, vol. 7, no. 3, pp. 270–279.

4. Smith R.G., Pishva E., Shireby G. A meta-analysis of epigenome-wide association studies in Alzheimer’s disease highlights novel differentially methylated loci across cortex. Biorxiv, 2019. https://www.biorxiv.org/content/10.1101/2020.02.28.957894v1.

5. Johnson K., Lee H. Kinematic features of handwriting in early Alzheimer’s disease. Journal of Neurology and Neurophysiology, 2021.

6. Sperling R.A., Aisen P.S., Beckett L.A. Toward defining the preclinical stages of Alzheimer’s disease: Recommendations from the National Institute on Aging-Alzheimer’s Association workgroups on diagnostic guidelines for Alzheimer’s disease. Alzheimer’s & Dementia, 2011, vol. 7, no. 3, pp. 280–292.

7. Davis S., Karim R. Handwriting pressure and velocity in Alzheimer’s disease. Journal of Neuropsychology, 2020.

8. Thompson A. Inconsistent predictors of Alzheimer’s in handwriting analysis. Journal of Cognitive Neuroscience, 2022.

9. Green P. Machine learning applications in handwriting analysis for Alzheimer’s detection. Journal of Machine Learning in Medicine, 2018.

10. Alzheimer’s Research & Therapy. Brief cognitive screening instruments for early detection of Alzheimer’s disease: a systematic review. Alzheimer’s Research & Therapy, 2020. https://alzres.biomedcentral.com/articles/10.1186/s13195-020-00703-x.

11. Cordell C.B., Borson S., Boustani M., Chodosh J., Reuben D., Verghese J., Thies W., Fried L.B. Alzheimer’s Association recommendations for operationalizing the detection of cognitive impairment during the Medicare Annual Wellness Visit in a primary care setting. Alzheimer’s & Dementia, 2013, vol. 9, no. 2, pp. 141–150. https://doi.org/10.1016/j.jalz.2012.09.011.

12. De Gregorio G., Desiato D., Marcelli A., Polese G. A Multi Classifier Approach for Supporting Alzheimer’s Diagnosis Based on Handwriting Analysis. ICPR International Workshops and Challenges. ICPR 2021, 2021. https://doi.org/10.1007/978-3-030-68763-2_43.

13. Cilia N.D., De Gregorio G., De Stefano C., Fontanella F., Marcelli A., Parziale A. Diagnosing Alzheimer’s disease from on-line handwriting: A novel dataset and performance benchmarking. Engineering Applications of Artificial Intelligence, 2021.

14. Yu N-Y., Chang S-H. Characterization of the fine motor problems in patients with cognitive dysfunction – A computerized handwriting analysis. Human Movement Science, 2019, vol. 65, pp. 71–79. https://doi.org10.1016/j.humov.2018.06.006.

15. Alemayoh T.T., Shintani M., Lee J.H., Okamoto S. Deep-Learning-Based Character Recognition from Handwriting Motion Data Captured Using IMU and Force Sensors. Sensors, 2022, vol. 22, p. 7840. https://doi.org/10.3390/s22207840.

16. Cilia N.D., De Gregorio G., De Stefano C., Fontanella F., Marcelli A., Parziale A. Diagnosing Alzheimer’s disease from on-line handwriting: a novel dataset and performance benchmarking. Engineering Applications of Artificial Intelligence, 2022, vol. 111, p. 104822.

17. Frisoni G.B., Fox N.C., Jack C.R. The clinical use of structural MRI in Alzheimer disease. Nature Reviews Neurology, 2010, vol. 6, no. 2, pp. 67–77.

18. Petersen R.C., Smith G.E. Waring S.C. Mild cognitive impairment: Clinical characterization and outcome. Archives of Neurology, 1999, vol. 56, no. 3, pp. 303–308.

19. McKhann G.M., Knopman D.S., Chertkow H. The diagnosis of dementia due to Alzheimer’s disease: Recommendations from the National Institute on Aging-Alzheimer’s Association workgroups on diagnostic guidelines for Alzheimer’s disease. Alzheimer’s & Dementia, 2011, vol. 7, no. 3, pp. 263–269.

20. Bondi M.W., Edmonds E.C., Salmon D.P. A comprehensive neuropsychological approach to the study of preclinical Alzheimer’s disease. Neuropsychology Review, 2014, vol. 24, no. 4, pp. 301–315.