cloudUPDRS: un dispozitiv medical pe smartphone pentru boala Parkinson

Majoritatea persoanelor cu boala Parkinson văd un specialist doar o dată sau de două ori pe an — și totuși simptomele lor motorii pot fluctua dramatic în decursul unei singure zile. cloudUPDRS reduce acest decalaj transformând un smartphone obișnuit într-un dispozitiv medical certificat care măsoară aceste simptome în mod obiectiv, acasă, oricât de des dorește pacientul.

Problema

Boala Parkinson este o afecțiune neurologică degenerativă caracterizată prin tremor, încetinirea mișcărilor, rigiditate musculară și instabilitate posturală. Nu există un tratament curativ, așa că îngrijirea este un proces de o viață de gestionare a simptomelor și de ajustare a medicației — iar pentru că boala progresează în ritmuri diferite la persoane diferite, această ajustare depinde de o monitorizare regulată și precisă.

În practică, monitorizarea este orice numai frecventă nu. În Marea Britanie sunt peste 130.000 de persoane cu Parkinson, iar în Statele Unite până la un milion, și fiecare este de regulă consultată de un medic sau un asistent specializat doar o dată sau de două ori pe an. Motivul este costul: aplicarea măsurilor clinice de progresie a bolii este laborioasă și necesită implicarea directă a unui membru al echipei clinice.

Instrumentul folosit de acești clinicieni este Unified Parkinson’s Disease Rating Scale (UPDRS) — mai precis revizia sa modernă, MDS-UPDRS, cel mai utilizat protocol în studiul clinic al bolii. Este detaliat și formal structurat, dar are două limitări inerente. În primul rând, este grosier: evaluează performanța fără instrumentar de măsurare specializat. În al doilea rând, în ciuda unei bune consistențe interne, depinde tot de estimarea subiectivă a clinicianului privind modul în care a performat pacientul. Împreună, acești factori restrâng posibilitățile de a cuantifica cu precizie progresia bolii și de a adapta îngrijirea la fiecare individ. Ceea ce lipsea era o modalitate de a măsura simptomele motorii obiectiv, frecvent și în afara clinicii.

Figura 1. cloudUPDRS: de la teste pe telefon, acasă, la un scor motor obiectiv.

Ce am construit

cloudUPDRS este prima aplicație de smartphone care a obținut certificarea ca dispozitiv medical de Clasa I — un instrument activ, tranzitoriu, neinvaziv — din partea Medicines and Healthcare products Regulatory Agency (MHRA) din Marea Britanie, pentru evaluarea clinică a simptomelor motorii ale bolii Parkinson. A primit statutul de dispozitiv medical în Marea Britanie, și implicit în UE, în mai 2016.

Aplicația urmează îndeaproape Partea a III-a a MDS-UPDRS, examinarea motorie, considerată pe scară largă cea mai obiectivă și fiabilă parte a scalei — European Medicines Agency o recunoaște pentru măsurarea eficacității unui medicament pentru Parkinson. Pacienții și îngrijitorii lor folosesc aplicația acasă sau în comunitate, nesupravegheați. Aceasta îi ghidează printr-o secvență atent orchestrată de acțiuni simple — atingerea ecranului pentru a evalua bradikinezia, ținerea telefonului în repaus pe genunchi pentru a capta tremorul de repaus, sarcini de agilitate a piciorului și de mers — în timp ce accelerometrul și ecranul tactil ale telefonului înregistrează mișcarea. Testul complet cuprinde 17 observații individuale, fiecare înregistrată pe parcursul a 60 de secunde, urmate de un chestionar scurt care urmărește cel mai recent moment al administrării medicației.

Datele brute de la senzori sunt apoi trimise către un serviciu cloud de gestionare și analiză a datelor, care aplică un pipeline de procesare a semnalelor biomedicale pentru a calcula un scor UPDRS obiectiv și care sprijină analiza longitudinală a tendințelor și stratificarea pacienților. Un tablou de bord pentru clinicieni le permite echipelor de îngrijire să compare măsurătorile obiective ale aplicației cu autoevaluările raportate de pacient și cu momentele administrării medicației, pe parcursul mai multor săptămâni. Pe scurt: un scor motor obiectiv și repetabil, generat acasă, care completează — fără a înlocui — parcursul clinic standard.

Cum am făcut-o să funcționeze

Mutarea UPDRS în afara clinicii a creat două provocări dificile de inginerie. Lucrarea le abordează pe amândouă.

Prima provocare: calitatea datelor fără un supraveghetor. În clinică, un expert se asigură că pacientul execută corect fiecare mișcare. Acasă nu există un astfel de supraveghetor, iar o mișcare executată greșit produce un semnal care nu este reprezentativ pentru tipul de tremor vizat — ceea ce ar duce la un scor eronat. cloudUPDRS rezolvă acest lucru cu două mecanisme care lucrează în tandem. Primul este chiar designul personalizat al experienței utilizatorului: cerând secvențe de acțiuni specifice, aplicația restrânge gradele de libertate ale mișcării și dezambiguizează contextul, astfel încât semnalul înregistrat să poată fi interpretat cu acuratețe. Al doilea este un strat de control al calității bazat pe deep learning, care înlocuiește supravegherea expertului. Echipa formulează verificarea datelor ca o problemă de clasificare binară — înregistrare de calitate înaltă versus de calitate scăzută — și antrenează o Recurrent Convolutional Neural Network (RCNN) pentru a detecta când protocolul prescris nu a fost respectat. Straturile convoluționale captează caracteristicile locale ale semnalului de accelerație, în timp ce structura recurentă exploatează evoluția sa temporală pe întreaga înregistrare, iar modelul rulează chiar pe telefon (implementat în TensorFlow) pentru a semnala în timp real o înregistrare proastă și a-i cere pacientului să o repete. Esențial, designul prioritizează depistarea înregistrărilor cu adevărat slabe, menținând în același timp un nivel scăzut al fals-pozitivelor — astfel încât sistemul să nu respingă inutil date utilizabile.

A doua provocare: să facem testul suficient de scurt pentru a fi folosit cu adevărat. Procedura completă durează aproximativ 25 de minute, chiar și pentru un pacient experimentat. Acest lucru contează pentru că testarea de teren a arătat că aderența se prăbușește la o asemenea durată: din 12 participanți în primul studiu de trei luni, cei mai mulți au testat regulat în prima săptămână, dar până în a treia săptămână rata scăzuse abrupt, iar la finalul celor trei luni doar unul mai testa. Cercetarea cu utilizatorii a indicat aceeași direcție — majoritatea pacienților își doreau un test de cinci minute sau mai puțin. Echipa a verificat mai întâi dacă fiecare observație de 60 de secunde ar putea fi pur și simplu scurtată și a constatat că nu se poate: reducerea unei observații la 20 de secunde a modificat puterea tremorului cu peste 10% la 60% dintre pacienți, corespunzând unor erori de 1 până la 2,5 puncte pe scala MDS-UPDRS — echivalentul a șase până la douăsprezece luni de progresie a bolii. Așadar, în loc să scurteze observațiile, cloudUPDRS scurtează lista lor. Pornind de la constatări clinice conform cărora un grup restrâns de factori se corelează puternic cu scorul motor general, echipa folosește machine learning pentru a personaliza testul: după ce un pacient finalizează testul complet de cel puțin cinci ori în prima săptămână de calibrare, o analiză a importanței caracteristicilor (un ansamblu de arbori de decizie randomizați) clasează observațiile și selectează cel mai mic subgrup care explică cel puțin 80% din varianța scorului UPDRS general. Rezultatul este un „test rapid” personalizat, adaptat profilului de simptome al fiecărui pacient.

Figura 2. Deep learning protejează calitatea datelor; personalizarea reduce un test de ~25 de minute la sub 4.

Ce realizează

Cele două tehnici își ating obiectivele care fac viabilă evaluarea la domiciliu.

În privința calității datelor, RCNN a depășit toate metodele de referință testate de echipă — inclusiv metode de tip ansamblu de arbori (Random Forest, Extra Trees, Gradient Boosting, AdaBoost, Bagging), clasificatori Naive Bayes și Deep Multilayer Perceptron-ul din lucrarea anterioară a echipei. Evaluată cu zece cicluri de validare încrucișată de tip leave-one-session-out, RCNN a atins o acuratețe de 0,78, un scor F1 de 0,82 și o arie sub curba precizie-recall (AUC) de 0,87 — cea mai bună la toate cele trei metrici. Mai important decât acuratețea de prim-plan, a fost singura metodă care distingea în mod fiabil înregistrările bune de cele proaste pe un set de date dezechilibrat: clasificatorii mai simpli obțineau rate ridicate de adevărat-pozitiv doar lăsând să treacă înregistrări de calitate scăzută drept utilizabile, în timp ce RCNN a produs o performanță echilibrată și o rată mai mică a fals-pozitivelor — exact proprietatea de care ai nevoie atunci când costul acceptării unei înregistrări proaste este un scor clinic greșit.

În privința eficienței, metoda de personalizare a funcționat la fiecare pacient examinat: în toate cazurile, caracteristicile a doar trei sau mai puține observații au fost suficiente pentru a explica varianța vizată, chiar și pentru pacienți aflați în stadii medii și avansate ale bolii. Pentru un pacient reprezentativ aflat într-un stadiu avansat, doar trei observații (din care rezultă șapte caracteristici) au captat aproximativ 90% din variația scorului său motor — iar jurnalele sistemului au confirmat că acel pacient a finalizat testul rapid în sub 4 minute, de peste 50 de ori pe parcursul a două luni. Acel prag de sub 4 minute este rezultatul de prim-plan, pentru că a fost identificat drept critic pentru aderența clinică susținută: el este ceea ce transformă un instantaneu de o dată sau de două ori pe an în ceva ce un pacient poate face zilnic.

Figura 3. Rezultatele principale.

De ce contează

cloudUPDRS arată că o măsurătoare clinică reglementată și obiectivă poate trăi pe un dispozitiv pe care pacienții îl dețin deja. Implicațiile merg în trei direcții. Pentru studiile clinice, un scor obiectiv al Părții a III-a, eșantionat frecvent — chiar marker-ul pe care EMA îl acceptă pentru măsurarea eficacității medicamentelor — oferă un semnal mai bogat și mai consistent decât evaluările rare din clinică. Pentru îngrijirea la distanță și continuă, măsurarea zilnică permite detectarea mai timpurie a unor probleme precum efectele secundare ale medicației, o urmărire mai bună a tendințelor individuale ale simptomelor și o stratificare mai eficientă a pacienților. Iar pentru pacienții înșiși, sprijină o tranziție către asumarea propriei îngrijiri: în cercetarea cu utilizatorii realizată de echipă, experiența folosirii aplicației și sentimentul de control asupra bolii pe care îl oferea au contat la fel de mult ca datele produse.

Acesta este exact genul de muncă în jurul căruia este construită practica MedTech a stm.ai: o inteligență artificială legată de dovezi, nu desprinsă de ele, și care păstrează prin design un human-in-the-loop. cloudUPDRS nu încearcă să înlocuiască clinicianul — înlocuiește povara supravegherii care ținea măsurarea obiectivă blocată în interiorul clinicii, păstrând în același timp judecata clinică, rigoarea reglementară și pacientul în centru. Rezultatul nu este un gadget, ci un instrument certificat, validat în raport cu standardele de reglementare pe care dispozitivele medicale trebuie să le îndeplinească și conceput astfel încât datele de calitate înaltă și o experiență fără fricțiuni pentru pacient să se susțină reciproc, în loc să concureze.

C. Stamate, G.D. Magoulas, S. Kueppers, E. Nomikou, et al. — “The cloudUPDRS app: A Medical Device for the Clinical Assessment of Parkinson’s Disease”, Pervasive and Mobile Computing (2018). Citește lucrarea.