АЛЬЦГЕЙМЕР АУРУЫН ДИАГНОСТИКАЛАУҒА АРНАЛҒАН ROBO-PEN-НІҢ ДЕРЕКТЕРІН ӨҢДЕУ ЖӘНЕ ТАЛДАУ: АЛДЫН АЛА НӘТИЖЕЛЕР

Альцгеймер ауруы (АА) қазіргі заманғы медицинаның алдында тұрған маңызды мәселе болып табылады, оның тиімді басқарылуын қамтамасыз ету үшін ерте және дәл диагностикалық әдістер қажет. Бұл зерттеуде когнитивті төмендеудің ерте белгілерін анықтау мақсатында жазу процесін егжей-тегжейлі талдау арқылы жасалған инновациялық диагностикалық құрал – Robo-pen-нің құрастырылуы мен қолданылуы қарастырылады. MPU-9250 сенсорымен жабдықталған Robo-pen қолжазба қозғалыстарының үш өлшемді координаттарын, жылдамдығын және үдеуін тіркейді. Бұл параметрлер кеңістікті бақылауды, қозғалыс біркелкілігін, жылдамдық өзгерістерін және қозғалыс жылдамдығы мен күшін реттеу қабілетін бағалау үшін маңызды, өйткені олар когнитивтік бұзылыстар кезінде, мысалы, АА-да жиі өзгереді. Зерттеуге жасы мен білім деңгейі бойынша сәйкестендірілген АА диагнозы қойылған 20 пациенттен тұратын Альцгеймер тобы (АТ) және 18 дені сау адамнан тұратын бақылау тобы (БТ) қатысты. Деректер сөйлемдерді қайта жазу, фигураларды қайта салу және сандарды қайта жазу сияқты тапсырмаларды орындау нәтижесі негізінде жиналды. Деректер 18 Гц дискреттеу жиілігімен CoolTerm бағдарламасы арқылы өңделді. Сипаттамалық статистика АА тобында гироскоп пен акселерометр деректерінің орташа мәндерінің төмен екенін көрсетті, бұл бақылау тобымен салыстырғанда баяу және аз өзгеретін қозғалыстарды көрсетеді. T-тесттер барлық өлшенген параметрлер бойынша АА және бақылау топтары арасында айырмашылықтың барын растады (p < 0.001). Нәтижелер Robo-pen АА-ны ерте кезеңде анықтау үшін инвазивті емес және үнемді диагностикалық құрал деген тұжырымды қолдайды. Нәзік нейромоторлық өзгерістерді тіркеу арқылы Robopen ерте кезеңдегі диагностикаға және уақытылы араласуға ықпал етуі мүмкін, бұл өз кезегінде аурудың ағымын өзгертіп, пациенттердің нәтижелерін жақсарта алады. Бұл зерттеу Robo-pen-нің АА-ны ерте кезеңде анықтаудағы маңызды жетістік, нейродегенеративті ауруларды диагностикалау мен басқарудағы әлеуетті құрал ретіндегі мүмкіндігін көрсетеді.

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.