Dokument: Sensorbasierte Bewertungen als Krankheitsverlaufs- und Behandlungs-Biomarker für neuropsychiatrische Erkrankungen
| Titel: | Sensorbasierte Bewertungen als Krankheitsverlaufs- und Behandlungs-Biomarker für neuropsychiatrische Erkrankungen | |||||||
| Weiterer Titel: | Sensor-based Assessments as a Disease Progression and Treatment Biomarker for Neuropsychiatric Diseases | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=63475 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20231012-075826-6 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Englisch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Sahandi Far, Mehran [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | Prof. Dr. Dukart, Juergen [Gutachter] Prof. Dr. Kuß, Oliver [Gutachter] | |||||||
| Stichwörter: | digital biomarkers, remote assessment, mobile health | |||||||
| Dewey Dezimal-Klassifikation: | 600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit | |||||||
| Beschreibungen: | Der wachsende Trend zur individuellen Gesundheitsversorgung und Digitalisierung im Gesundheitswesen, z.B. mit Hilfe von remote monitoring (Fernüberwachung), hat zu einem verstärkten Interesse an der Verwendung integrierter Sensoren in bspw. Smartphones und Smartwatches, in klinischen Studien geführt. Die von solchen Geräten erfassten gesundheitsbezogenen Daten werden als digitale Biomarker (DB) bezeichnet. Im Gegensatz zu bisherigen klinischen Evaluationsmethoden liefern DB kostengünstige, objektive und ökologisch valide Daten. Mit Hilfe von DB ist es besser möglich, innerhalb klinischer Studien, eine größere und vielfältigere Population zu untersuchen. Darüber hinaus liefern DB Daten mit hoher zeitlicher und räumlicher Auflösung, was zu einem besseren Verständnis des Krankheitsverlaufs und -fortschritts beitragen kann.
Aufgrund des Mangels an objektiven Bewertungsinstrumenten, stehen neurodegenerative Krankheiten im Fokus der DB-Forschung. Für die Erforschung DB eignet sich die Parkinson Krankheit (PD), hinsichtlich des heterogenen Eintrittsalters, der Symptomprävalenz, der Schweregradprogression und der vielseitigen Symptome besonders gut. Es erscheint notwendig, die Verwendung DB in die klinische Diagnostik von Parkinson zu integrieren. Diese Integration, v.a. in der häuslichen Umgebung, stellt jedoch eine praktische Herausforderungen dar. Darüber hinaus ist die longitudinale Stabilität von DB, die innerhalb solcher Umgebungen erhoben wurden, noch nicht ausreichend erforscht worden - bisherige Studien beschränken sich auf Laborsituationen. Ziel dieser Arbeit ist es, Erkenntnisse darüber zu erlangen, wie remote monitoring in einer häuslichen Umgebung in Kombination mit einer Plattform zur Datenerhebung genutzt werden kann, um die Evaluation von Parkinson zu verbessern. Der erste Teil der Arbeit befasst sich mit der Plattform „JTrack", die für das remote monitoring von Krankheiten entwickelt wurde. „JTrack“ eignet sich dafür, mehrere Aspekte eines Krankheitsbildes zu erfassen und stellt somit ein umfassendes Messinstrument für klinische Studien dar. Zudem wird die Übereinstimmung der mit „JTrack" erfassten Daten mit zwei gängigen stationären Systemen zur Analyse von Gang und Gleichgewicht bewertet, um das Potenzial des Einsatzes von Smartphones und insbesondere von „JTrack" in künftigen klinischen Studien darzulegen. Im zweiten Teil wird beschrieben, inwieweit häufig berichtete Merkmale von PD, als Biomarker verwendet werden können. Zu diesem Zweck wurde zunächst die Test-Retest-Zuverlässigkeit und die longitudinale Stabilität dieser Merkmale untersucht. Anschließend wurden Algorithmen des maschinellen Lernens verwendet, um zu bewerten, inwiefern diese Merkmale verwendet werden können, um zwischen PD und gesunden Kontrollprobanden zu unterscheiden. Außerdem wurde der Einfluss verschiedener Störfaktoren wie Komorbiditäten, Alter und Geschlecht auf die Vorhersageleistung der maschinellen Lernalgorithmen untersucht. Dazu wurden verschiedenen Aufgaben (z.B. Gang, Gleichgewicht) der m-Power-Datenbank verwendet, die im unkontrollierten, häuslichen Umfeld von den Patienten durchgeführt und mit Hilfe des remote monitorings erfasst wurden. Insgesamt werden innerhalb dieser Arbeit die Möglichkeiten und Grenzen der Verwendung von Smartphones für die Diagnose von PD diskutiert. Es werden zudem mögliche beeinflussende Faktoren im Zusammenhang mit DB bei Fern- und selbstverwalteten Erfassungsmethoden dargestellt. Es wird außerdem verdeutlicht, dass kontrolliertere, standardisiertere, empfindlichere und zuverlässigere DB entwickelt werden müssen, bevor sie in klinischen Anwendungen (Apps) eingesetzt werden sollten. Schließlich wird eine neue DB-Plattform für das remote monitoring vorgestellt, die für verschiedene Arten von Krankheiten genutzt werden kann. The growing trend of personalised health care and remote monitoring has led to increased interest in using embedded sensors in portable smart devices (smartphones and smartwatches) in clinical studies. Health-related data collected from such devices are referred to as Digital Biomarkers (DBs). Unlike traditional in-clinic assessment methods, DBs provide cost-effective, objective, and ecologically valid data. DBs enable clinical studies to recruit a larger and more diverse population. Furthermore, DBs provide high temporal and spatial resolution data, which increase the chance of gaining a comprehensive understanding of disease progression. Neurodegenerative diseases, due to their lack of accessible and objective assessment tools, have been a primary focus for the DBs research community. Parkinson's disease (PD) is particularly well-suited for studying DBs due to its heterogeneous onset age, symptom prevalence, severity progression rate, and multiple aspects of the disease. Therefore, there is a need to integrate DBs and remote assessment into the routine clinical evaluation of PD. However, using DBs for PD in non-controlled, at-home settings poses practical challenges that have hindered this goal. Additionally, the longitudinal stability of DBs collected in such settings has not yet been thoroughly investigated, with previous studies limited to in-lab settings. Thus, this thesis aims to provide insight into how remote monitoring in an at-home environment alongside the data collection methods can be leveraged to improve the way PD is assessed. The first section of this dissertation focuses on introducing a platform named "JTrack", designed for remote disease monitoring and to address technical aspects such as security, privacy, modularity, and reusability. This platform aims to provide a comprehensive solution for clinical studies involving multiple aspects of various diseases. In addition, this section assesses the agreement between features collected through "JTrack" with two widely used stationary systems for analysing gait and balance, demonstrating the potential of using smartphones and particularly the "JTrack" platform in future clinical studies. The second part of this thesis investigates the potential of using various commonly reported features in PD studies as biomarkers. To do this, we first investigate these features' test-retest reliability and longitudinal stability, considering how the timescale may affect their stability. Next, we use various machine learning algorithms to assess the ability of these features to differentiate between PD and HC. Also, we evaluated the influence of different confounding factors such as comorbidities, age, and sex on the prediction performance of the machine learning algorithms. For this, the various tasks (gait, balance, voice, and tapping) of the m-Power database, collected remotely and in a self-managed setting, were investigated. Overall, this thesis discusses the potential and limitations of using smartphones for remote assessment of PD. It examines the possible sources of confounding factors related to DBs in remote and self-managed collection methods. It also highlights the need to develop more controlled, standardised, sensitive, and reliable DBs before taking them into any clinical application. This thesis also introduces a new DBs platform for remote assessment, which can be leveraged for various types of disease. | |||||||
| Lizenz: |  Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
| Fachbereich / Einrichtung: | Medizinische Fakultät | |||||||
| Dokument erstellt am: | 12.10.2023 | |||||||
| Dateien geändert am: | 12.10.2023 | |||||||
| Promotionsantrag am: | 26.05.2023 | |||||||
| Datum der Promotion: | 22.08.2023 |
