Einleitung
Die Parkinson-Krankheit, eine der häufigsten und am schnellsten wachsenden neurodegenerativen Erkrankungen weltweit, stellt eine erhebliche Herausforderung für die moderne Medizin dar. Die Krankheit betrifft in Deutschland rund 400.000 Menschen und manifestiert sich meist ab dem 50. Lebensjahr, wobei auch jüngere Patient:innen betroffen sein können. Obwohl Parkinson nicht heilbar ist, gibt es effektive symptomatische Behandlungen. Künstliche Intelligenz (KI) und maschinelles Lernen (ML) haben in den letzten Jahren zunehmend an Bedeutung gewonnen und bieten vielversprechende Möglichkeiten zur Verbesserung der Versorgung, Therapie und des Alltags von Menschen mit Parkinson. Dieser Artikel beleuchtet die vielfältigen Anwendungen von KI im Bereich der Parkinson-Krankheit, von der Früherkennung und Diagnose über die Therapieoptimierung bis hin zur personalisierten Medizin.
KI-gestützte Früherkennung und Diagnose
Verbesserte Früherkennung durch KI-Anwendungen
Die Parkinson-Krankheit wird oft erst erkannt, wenn bereits deutliche motorische Störungen auftreten und viele Nervenzellen abgestorben sind. KI-basierte Technologien können jedoch helfen, die Krankheit in einem früheren Stadium zu erkennen und somit den Verlauf positiv zu beeinflussen.
Eine Studie aus Großbritannien hat gezeigt, dass am Handgelenk getragene Bewegungssensoren bis zu sieben Jahre vor der klinischen Diagnosestellung auf eine beginnende Parkinson-Erkrankung hinweisen können. Diese Sensoren erfassen subtile Veränderungen in der Bewegung, die von menschlichen Beobachtern möglicherweise nicht wahrgenommen werden.
Auch die KI-gestützte Analyse gesprochener Sprache bietet vielversprechende Möglichkeiten zur Früherkennung. Eine Studie untersuchte, ob Patient:innen mit einem höheren Schweregrad sprachlicher und akustischer Auffälligkeiten ein höheres Risiko haben, eine neurodegenerative Erkrankung zu entwickeln. Die automatisierte Sprachanalyse könnte bei Patient:innen mit isolierter REM-Schlafverhaltensstörung, einem Frühsymptom der Parkinson-Krankheit, Hinweise darauf geben, welcher Verlauf zu erwarten ist, und die Phänokonversion vorhersagen.
Eye-Tracking zur Identifizierung von Risikopatienten
Ein weiteres vielversprechendes Anwendungsgebiet ist die Analyse von Augenbewegungen (Eye-Tracking), um Parkinson-Kranke zu identifizieren, die ein erhöhtes Risiko für kognitiven Abbau haben. Sakkaden, die physiologischen horizontalen und vertikalen schnellen Augenbewegungen, werden dabei analysiert. Bei Menschen mit motorischen sowie kognitiven Beeinträchtigungen ist die okulomotorische Kontrolle vermindert. Eine Studie hat gezeigt, dass KI-basierte Sakkaden-Tests Tablet-basiert im Wartezimmer angewendet werden können, wodurch schon vor der ärztlichen Untersuchung objektive Informationen der neuronalen Bewegungskontrolle und Hinweise auf kognitive Beeinträchtigungen erfasst werden können.
Lesen Sie auch: Ursachen und Symptome der CJK
KI-gestützte Bildgebung
Philipp Vollmuth von der Universität Bonn entwickelt mit seiner Arbeitsgruppe ein Basismodell für die Anwendung künstlicher Intelligenz (KI) in der Radiologie. Sein Modell soll aus einer breiten und vielfältigen Datenbasis von mehreren Millionen radiologischen Bildern selbstständig lernen, Strukturen und Muster in den Bildern zu erkennen. Zunächst konzentriert er sich auf die Bildgebung des Gehirns, da diese ein hochkomplexes und datenintensives Feld ist.
Eine Meta-Analyse hat die diagnostische Leistung von KI-unterstützter PET-Bildgebung bei der Parkinson-Krankheit untersucht und vielversprechende Ergebnisse gefunden.
Therapieoptimierung durch KI
Tiefe Hirnstimulation (THS) und KI
Die Tiefe Hirnstimulation (THS) ist eine wichtige Therapieoption bei Parkinson, die die Symptomatik maßgeblich verbessern kann. Um das Therapieansprechen, insbesondere das der nichtmotorischen Symptome, präoperativ vorherzusagen, wurde in einer prospektiven Studie bei 37 Parkinson-Kranken spezielle Neurobildgebung (Diffusions-MRT) und die Analyse von Mikrostrukturen bestimmter Gehirnregionen eingesetzt. Mit der KI-basierten Analyse jedes einzelnen MRT-Bildpunkts des Gehirns wurde der Zusammenhang zwischen mikrostrukturellen Parametern und den THS-Ergebnissen analysiert. Im Ergebnis wurden geeignete Parameter in der Großhirnrinde (Cortex) identifiziert, die mit besonders guten postoperativen Ergebnissen verbunden waren.
Eine große Herausforderung bei der THS ist außerdem die individuell optimale Einstellung der implantierten Elektroden. KI-Algorithmen können helfen, Daten, die mittels „Wearables“ wie Handys oder Smartwatches gesammelt werden, auszuwerten und für die THS-Einstellung zu nutzen. Eine Machbarkeitsstudie untersuchte den Zusammenhang zwischen den THS-Elektrodeneinstellungen und Bewegungsmerkmalen bei 32 Parkinson-Erkrankten. Dafür wurden die Bewegungen der Teilnehmenden durch ein handelsübliches Armband mit Trägheitsmesseinheit (IMU) bei vier einfachen Handbewegungsaufgaben gemessen. Solche Wearables erlauben nicht nur eine optimale THS-Einstellung, sondern können perspektivisch auch eine in Echtzeit angepasste Stimulation ermöglichen. Derzeit werden „closed loop“-Systeme entwickelt, welche die Stimulationsfrequenz und -dosis automatisch an die aktuelle Bewegungsfähigkeit anpassen können.
Maschinelles Lernen zur Vorhersage des Therapieerfolgs
Eine Studie von Tübinger Forschenden hat gezeigt, dass maschinelles Lernen dabei helfen kann, die Erfolgsaussichten der Tiefen Hirnstimulation bei Parkinson vorherzusagen. Anhand der Daten von operierten Patientinnen und Patienten und mithilfe maschinellen Lernens konnten wichtige Faktoren ermittelt werden, die den Therapieerfolg bestimmen. Die Bewertung der Lebensqualität vor der Therapie beeinflusst am stärksten, ob Patientinnen und Patienten von der THS profitieren. Je größer die Beeinträchtigung der Lebensqualität vor der Operation ist, desto mehr Verbesserung gibt es durch die THS. Ein weiterer wichtiger Faktor ist die Hirnaktivität an der Stelle der Elektrodenimplantation. Je höher die gemessene Aktivität während der Operation dort ist, desto mehr profitieren Patientinnen und Patienten von der THS. Durch die Analyse konnten die Forschenden zudem millimetergenau bestimmen, an welcher Stelle die Elektroden am effektivsten platziert werden müssen, um den besten Effekt auf die Lebensqualität zu haben.
Lesen Sie auch: Laura Papendick: Mehr als nur eine Moderatorin
KI-basierte Videoanalyse von Parkinson-Symptomen
Dr. Maximilian U. Friedrich vom Uniklinikum Würzburg nutzt in seinen Forschungen computergestützte Algorithmen, die große Datenmengen automatisiert und präzise verarbeiten können und somit die Diagnose- und Therapiemöglichkeiten für Bewegungsstörungen wie der Parkinson-Erkrankung verbessern. Für sein Forschungsprojekt nutzt er Algorithmen, die den Inhalt von Bildern „sehen“ und Bewegungsmuster auswerten können, zur präzisen Charakterisierung der Schwere der Parkinsonerkrankung. Die Beurteilung von Parkinson-Symptomen wie Zittern und verlangsamten Bewegungen kann durch den Einsatz smartphonebasierter Tracker objektiver erfasst und sowohl häufig präziser als auch zeitsparender als mit rein menschlicher Bewertung quantifiziert werden. Der Schweregrad der Erkrankung lässt sich so durch den Einsatz ganz normaler Smartphones auf einfache Weise bestimmen. Auch für die medikamentöse und Tiefe Hirnstimulationstherapie könnte der Einsatz computergestützter Technologie die Möglichkeiten verbessern, den Erfolg der Behandlungen zu beurteilen und zu optimieren.
Personalisierte Medizin und KI
Identifizierung von Parkinson-Progressionstypen
Die Parkinson-Krankheit ist eine langsam fortschreitende degenerative Erkrankung bestimmter Gehirnareale. Ihr Verlauf ist äußerst individuell, was nicht nur die Therapie erschwert, sondern auch größere Patientenstichproben in klinischen Studien für neue neuroprotektive Arzneimittel erforderlich macht. Eine Arbeitsgruppe unter der Leitung von Tom Hähnel von der TU Dresden analysierte longitudinale Daten von Parkinson-Patienten mithilfe von Künstlicher Intelligenz (KI), um diese Progressionstypen zu identifizieren. Das KI-Modell identifizierte tatsächlich zwei Progressionstypen, die in jeder der drei Kohorten konsistent vorhanden waren: schnell progredient und langsam progredient. Diese unterschieden sich hinsichtlich motorischer und nicht motorischer Symptome, Überlebensraten, Reaktionen auf eine dopaminerge Medikation, DaTSCAN-Bildgebung und digitaler Biomarker für die Gangbeurteilung. Basierend auf den Baselinedaten der Patienten konnten die Progressionstypen mit einer ROC-AUC von 0,79 vorhergesagt werden, was auf eine gute Testgüte hinweist.
KI-gestütztes Monitoring im häuslichen Umfeld
Um frühzeitig eine Verschlechterung im kognitiven, motorischen und visuellen Bereich durch einen Krankheitsschub zu erkennen, soll mittels einer Projektkooperation zwischen der Technischen Hochschule Mittelhessen (THM) und der Klinik für Neurologie am Universitätsklinikum Gießen und Marburg (UKGM) in Marburg eine App entwickelt werden, die Dank Künstlicher Intelligenz ein Langzeit-Monitoring im häuslichen Umfeld ermöglicht. Unter anderem sind mit der App Tests zu motorischen und visuellen Fähigkeiten sowie zur automatischen Bewegungs-/ Körper- und Gesichtserkennung möglich. Dank der App können die Erkrankten zu Hause ein Langzeit-Monitoring vornehmen, um frühzeitig Verschlechterungen durch einen Krankheitsschub zu erkennen.
Digitale Biomarker für die personalisierte Behandlung
Das Forschungsprojekt DIGIPD („Validierung digitaler Biomarker für die bessere personalisierte Behandlung der Parkinsonerkrankung“) suchte mit neuen Methoden nach Hinweisen auf eine Parkinson-Erkrankung. Es zeigte sich, dass sich auch aus Mimik und Sprache winzige Abweichungen zwischen gesunden und erkrankten Menschen herauslesen lassen. Diese Analyse kann den behandelnden Ärztinnen und Ärzten wichtige Hinweise über den Gesundheitszustand ihrer Patientinnen und Patienten geben - und dazu beitragen, dass Medikamente zielgenau eingesetzt werden.
Herausforderungen und Zukunftsperspektiven
Validierung und klinische Umsetzung
Obwohl KI-Anwendungen im Bereich der Parkinson-Krankheit vielversprechend sind, müssen viele Studienergebnisse erst in der klinischen Praxis validiert werden. Zudem fehlt bisher die Anwendung von KI auf multimodale Daten. Es ist wichtig, dass die entwickelten Modelle robust und zuverlässig sind, bevor sie in der klinischen Routine eingesetzt werden können.
Lesen Sie auch: Wissenswertes über Parkinson
Datenschutz und ethische Aspekte
Die Nutzung von KI in der Medizin wirft auch Fragen des Datenschutzes und der Ethik auf. Es ist wichtig, dass die Daten der Patient:innen sicher und anonymisiert verarbeitet werden und dass die Patient:innen über die Verwendung ihrer Daten informiert werden.
Potenzial für die Zukunft
Trotz der Herausforderungen bietet KI ein enormes Potenzial für die Verbesserung der Diagnose, Therapie und des Managements der Parkinson-Krankheit. In einigen Jahren könnte KI die frühe Diagnose und die individuellen Therapiemöglichkeiten bei Parkinson deutlich verbessern. Dies könnte zu einer personalisierten Medizin führen, die auf die individuellen Bedürfnisse und Merkmale jedes einzelnen Patienten zugeschnitten ist.
tags: #krankheit #parkinson #kunstliche #intelligenz