Parkinson – eine globale Herausforderung

Das Beispiel Thailand

Die Zunahme der Parkinson-Krankheit ist eine globale Herausforderung, aber die Bemühungen, sie zu bekämpfen, müssen auf nationaler Ebene beginnen: ein Protokoll für ein nationales digitales Screening und „Essen, Bewegen, Schlafen“-Lifestyle-Interventionen, um die Zunahme nicht übertragbarer Krankheiten in Thailand zu verhindern oder zu verlangsamen.

Autoren:

Roongroj Bhidayasiri, korrespondierender Autor 1 , 2 , * Jirada Sringean, 1 Saisamorn Phumphid, 1 Chanawat Anan, 1 Chusak Thanawattano, 3 Suwijak Deoisres, 3 Pattamon Panyakaew, 1 Onanong Phokaewvarangkul, 1 Suppata Maytharakcheep, 1 Vijittra Buranasrikul, 1 Tittaya Prasertpan, 1 , 4 Rotjana Khontong, 4 Priya Jagota, 1 Araya Chaisongkram, 1 Worawit Jankate, 1 Jeeranun Meesri, 1 Araya Chantadunga, 1 Piyaporn Rattanajun, 1 Phantakarn Sutaphan, 1 Weerachai Jitpugdee, 5 Marisa Chokpatcharavate, 6 Yingyos Avihingsanon, 7 , 8 Chanchai Sittipunt, 7 , 8 Werasit Sittitrai, 8 Grisada Boonrach, 8 Aekamorn Phonsrithong, 8 Pichit Suvanprakorn, 8 Janprapa Vichitcholchai, 8 und Tej Bunnag 8

Zusammenfassung

Die weltweit steigende Prävalenz der Parkinson-Krankheit stellt eine große Herausforderung für die nationalen Gesundheitssysteme dar, vor allem in Ländern mit niedrigem bis mittlerem Einkommen wie Thailand, die möglicherweise nicht über ausreichende Ressourcen verfügen, um den steigenden Bedarf an Gesundheitsversorgung zu decken. Außerdem gibt es viele nicht diagnostizierte Fälle von Morbus Parkinson im Frühstadium, einem Zeitraum, in dem therapeutische Maßnahmen den größten Nutzen und die geringsten Kosten haben würden. Der herkömmliche „passive“ Ansatz, bei dem Ärzte darauf warten, dass Patienten mit Morbus Parkinson-Symptomen eine Behandlung in Anspruch nehmen, ist unzureichend. Eine proaktive, frühzeitige Erkennung von Morbus Parkinson ermöglicht rechtzeitige therapeutische Interventionen, und digitale Gesundheitstechnologien können bei der Erkennung und Frühdiagnose von Fällen eingesetzt werden. Die Parkinson-Risikoerhebung (TCTR20231025005) zielt darauf ab, eine digitale Screening-Plattform für die thailändische Bevölkerung zu evaluieren, um nicht diagnostizierte Parkinson-Fälle zu identifizieren. In Anbetracht der langen Prodromalphase der Parkinson-Krankheit richtet sich das Screening an Menschen im Alter von ≥ 40 Jahren, also etwa 20 Jahre vor dem üblichen Auftreten motorischer Symptome. Thailand verfügt über ein hoch bewertetes Gesundheitssystem mit einem etablierten universellen Gesundheitsprogramm für die Bürgerinnen und Bürger und ist damit ideal für die Einführung eines nationalen Screening-Programms mit digitaler Technologie. Die digitale Plattform wurde von einer multidisziplinären Gruppe von Parkinson-Experten entwickelt und besteht aus einem 20 Punkte umfassenden Fragebogen zu den Parkinson-Symptomen sowie objektiven Tests von acht digitalen Markern: Vokalstimme, Stimmsätze, Ruhe- und Haltungszittern, abwechselndes Fingertippen, „Pinch-to-Size“-Test, Gang und Gleichgewicht, wobei die Leistung mit einer mobilen Anwendung und den Sensoren des Smartphones aufgezeichnet wird. Mit Hilfe von maschinellem Lernen werden die gesammelten Daten genutzt, um Personen zu identifizieren, bei denen das Risiko besteht, an Morbus Parkinson zu erkranken, oder die erste Anzeichen dafür aufweisen. Dieser Artikel beschreibt die Auswahl und Validierung der Fragebogenelemente und digitalen Marker. Die Ergebnisse zeigen, dass die gewählten Parameter und Datenanalysemethoden robust, zuverlässig und reproduzierbar sind. Diese digitale Plattform könnte als Modell für ähnliche Screening-Strategien für andere nicht übertragbare Krankheiten in Thailand dienen.

1. Einleitung

1.1. Die weltweite Zunahme der Parkinson-Krankheit

Berichten zufolge ist die Parkinson-Krankheit (PD) die am schnellsten wachsende neurologische Erkrankung weltweit, was die Sterblichkeit, die Behinderung und die altersstandardisierte Prävalenz angeht (1, 2). Daten der Weltgesundheitsorganisation (WHO) aus dem Jahr 2019 zeigen, dass weltweit mehr als 8,5 Millionen Menschen an Morbus Parkinson erkrankt sind (3). Das ist ein deutlicher Anstieg gegenüber den 6,1 Millionen gemeldeten Fällen im Jahr 2016 und den 2,5 Millionen im Jahr 1990 (4). Die prognostizierte weltweite Belastung durch Morbus Parkinson wird sich bis 2040 voraussichtlich auf über 17 Millionen Fälle belaufen (2). Dieser besonders starke Anstieg der Morbus Parkinson-Inzidenz und -Prävalenz in den letzten Jahrzehnten im Vergleich zu früheren Jahren hat dazu geführt, dass einige das Phänomen als „Pandemie“ bezeichnen, ein Begriff, der normalerweise für Infektionskrankheiten reserviert ist (2). Das Gesamtbild ist jedoch komplex, und diese Beschreibung wurde in Frage gestellt, da sie sich in erster Linie auf exogene Ursachen für die Krankheit konzentriert und Faktoren wie die Zunahme der Krankheitsdauer in den letzten Jahrzehnten, den vergleichsweise Rückgang anderer neurologischer Erkrankungen und die Einschränkungen einer Vielzahl von Datenquellen, die zur Ermittlung dieser Prävalenzschätzungen verwendet werden, nicht berücksichtigt (5).

Bei der Frage, was für den Anstieg der Krankheitsfälle verantwortlich sein könnte, ist es wichtig zu erkennen, dass Morbus Parkinson eine komplexe, multisystemische Erkrankung ist, und es gibt Hinweise darauf, dass es mehrere, sich höchstwahrscheinlich überschneidende Ursachen und Risikofaktoren gibt, die zu diesem Trend beitragen könnten. Ein Schlüsselfaktor ist wahrscheinlich der demografische Wandel in der Weltbevölkerung, in der der Anteil der älteren Menschen aufgrund der verbesserten Gesundheit und Lebenserwartung zunimmt. Neben den demografischen Faktoren gibt es auch Hinweise darauf, dass genetische und umweltbedingte Faktoren, wie z. B. der Rückgang des Rauchens und die zunehmende Belastung durch Schadstoffe und Pestizide, ebenfalls zum Anstieg der Parkinson-Krankheit beitragen (2, 6-11). Es wird auch vermutet, dass ethnische Unterschiede das Morbus-Parkinson-Risiko erhöhen, obwohl diese Unterschiede durch den unterschiedlichen Zugang zur Gesundheitsversorgung in verschiedenen Ländern und Regionen erklärt werden könnten (7). Es gibt auch erste Hinweise darauf, dass der Zusammenhang zwischen einigen Umwelt- und Lebensstilfaktoren und Morbus Parkinson durch den Genotyp einer Person verändert werden kann (9). Bei unseren Bemühungen, den Anstieg der Parkinson-Krankheit einzudämmen, ist es daher von entscheidender Bedeutung, die in vielen Fällen veränderbaren Risikofaktoren mit Strategien zu minimieren, die einfache Änderungen des Lebensstils beinhalten können (12, 13). Ebenso müssen wir uns der unabhängigen schützenden Effekte bewusst sein, die in verschiedenen Studien festgestellt wurden, nämlich der Konsum von Kaffee, Nikotin, grünem und schwarzem Tee, Urat, nichtsteroidalen entzündungshemmenden Medikamenten und körperlicher Aktivität (6, 14).

Obwohl der Anstieg der Parkinson-Prävalenz eine globale Belastung darstellt, sind die gemeldeten Muster der Parkinson-Prävalenz nicht in allen Weltregionen gleich. Ein besonders starker Anstieg wurde in bevölkerungsreichen Ländern in Asien (15) und in Ländern mit niedrigem bis mittlerem Einkommen (12, 16, 17) beobachtet. Anhand der Daten der Global Burden of Disease (GBD)-Studie 2019 wurde geschätzt, dass die Morbus Parkinson-Prävalenz im Zeitraum von 1990 bis 2019 in Ostasien um 256 %, in Südasien um 216 %, in Südostasien um 174 % und in Zentralasien um 57 % gestiegen ist (18). Dieses Muster der steigenden Morbus Parkinson-Prävalenz dürfte auch in Thailand zu beobachten sein, wo die Bevölkerung zunehmend altert (19,46 % sind über 60 Jahre alt) (19). Weitere Faktoren, die zu der steigenden Zahl der Fälle beitragen, sind wahrscheinlich das gestiegene Bewusstsein für Morbus Parkinson aufgrund verschiedener Aufklärungskampagnen, bessere therapeutische Möglichkeiten und eine bessere Verfügbarkeit und Zugänglichkeit der Behandlung in Thailand (16).

Angesichts dieser beträchtlichen und eskalierenden Belastung des Gesundheitswesens wird der traditionelle „passive“ Ansatz der Parkinson-Behandlung (das Warten darauf, dass die Patienten eine Behandlung in Anspruch nehmen) den Bedürfnissen einer wachsenden Parkinson-Population wahrscheinlich nicht gerecht, und es ist wahrscheinlich, dass die Qualität der Versorgung von Parkinson-Patienten in Thailand aufgrund unzureichender Personal- und Ressourcenausstattung abnehmen wird. Alternative Ansätze, die sich auf die Prävention und Früherkennung von Parkinson konzentrieren, sind notwendig, um die Behandlungslast für das Gesundheitssystem zu minimieren.

1.2. Gesundheitliche und gesellschaftliche Auswirkungen von nicht diagnostiziertem oder unbehandeltem Morbus Parkinson

Wenn die Diagnose von Morbus Parkinson verzögert wird und die Krankheit ein fortgeschrittenes Stadium erreicht, bevor geeignete Maßnahmen ergriffen werden, hat das erhebliche negative Folgen für die Betroffenen selbst, ihre Familien und Betreuer sowie für die Gesellschaft insgesamt.

Erstens weist der Patient bei einer späten Diagnose unweigerlich erhebliche motorische und nichtmotorische Symptome auf, die eine wirksame Behandlung erfordern, so dass die direkten Behandlungskosten wahrscheinlich teurer sind als bei einem Patienten, bei dem die Diagnose frühzeitig gestellt wird (20, 21). Zweitens ist es wahrscheinlicher, dass der Patient aufgrund des Fortschreitens seiner Krankheit und der zur Kontrolle seiner Symptome erforderlichen Behandlung Komplikationen und/oder unerwünschte Ereignisse erleidet, was sich auf seine Lebensqualität auswirken wird. Eine landesweite Umfrage unter mehr als 600 Morbus Parkinson-Patienten (Hoehn und Yahr Stadium II-IV) in den USA ergab eine hohe Prävalenz von unkontrollierten motorischen und nichtmotorischen Symptomen (86 % der Befragten berichteten über mindestens 1 % und 10 % über ≥ 10 Symptome) und kritischen Ereignissen wie Krankenhausaufenthalten oder häufigen Stürzen trotz medizinischer Behandlung (22). Es wurde festgestellt, dass diese hohe Symptombelastung einen erheblichen negativen Einfluss auf die Lebensqualität der Betroffenen hat, wobei unkontrollierte Symptome am stärksten mit einer schlechten Lebensqualität verbunden sind. Drittens benötigen Morbus-Parkinson-Patienten im fortgeschrittenen und späten Stadium wesentlich mehr Unterstützung und persönliche Betreuung und verbrauchen mehr Ressourcen im Gesundheitswesen, was die Belastung für Pflegekräfte, Familien und die Gesellschaft insgesamt erhöht (23, 24). Es ist bekannt, dass die Gesamtkosten für die Behandlung von Morbus Parkinson im fortgeschrittenen Stadium deutlich höher sind als im Frühstadium. Obwohl es keine spezifischen Studien zur Kosteneffektivität der Parkinson-Behandlung in Thailand gibt, haben Studien aus den USA und Europa ergeben, dass die fortgeschrittene Parkinson-Krankheit mit erheblichen direkten und indirekten Kosten für die Gesellschaft verbunden ist, da die Betroffenen zunehmend geschwächt werden und eine komplexere Pflege benötigen (20, 21). Eine wichtige gesellschaftliche Auswirkung des Fortschreitens der Parkinson-Krankheit ist der Verlust an produktiven Arbeitskräften, da Patienten mit Parkinson im Spätstadium wahrscheinlich nicht mehr in der Lage sind, weiter zu arbeiten. Die gesundheitliche Belastung durch Morbus Parkinson wirkt sich auch auf die Familien und das Pflegepersonal aus, da sie sich nicht nur negativ auf ihre eigene Gesundheit und ihr psychisches Wohlbefinden auswirken, sondern auch wirtschaftliche Folgen haben können, da sie aufgrund der Pflege einer Person mit Morbus Parkinson möglicherweise weniger arbeiten können (25, 26).

Die rechtzeitige und wirksame Diagnose von Morbus Parkinson hängt in hohem Maße von der Volkswirtschaft und der Infrastruktur des Gesundheitswesens ab, damit die notwendigen Ressourcen zur Verfügung gestellt werden können (12). Thailand hat eine Gesamtbevölkerung von fast 69 Millionen Einwohnern, die von 927 staatlichen Krankenhäusern, 363 privaten Krankenhäusern und 9.768 Einrichtungen der primären Gesundheitsversorgung versorgt werden. 99,5 % der Bevölkerung sind durch den Gesundheitsschutz abgedeckt (27). Da jedoch ein großer Teil der Bevölkerung in den ärmeren ländlichen Gebieten des Landes lebt, haben frühere Erfahrungen gezeigt, dass die Gesundheitsversorgung einer so heterogenen Bevölkerung mit erheblichen Herausforderungen verbunden ist, insbesondere wenn die Ressourcen und der Zugang zu Fachkräften begrenzt sind (28).

1.3. Diagnose der Parkinson-Krankheit im Frühstadium

Angesichts der hohen Kosten für die Behandlung der Parkinson-Krankheit bei fortschreitendem Krankheitsverlauf muss eine wichtige Managementstrategie darin bestehen, Parkinson-Fälle frühzeitig zu erkennen. Eine genaue klinische Diagnose der Parkinson-Krankheit im frühestmöglichen Stadium ist entscheidend für eine rechtzeitige und wirksame Behandlung und optimale langfristige Ergebnisse für die Patienten (29). Bei Klinikern, die keine Spezialisten sind, wurde jedoch eine geringe diagnostische Genauigkeit festgestellt, die zwischen 65 % und 93 % liegt, insbesondere bei der Beurteilung von Parkinson im Frühstadium (30, 31). Eine kürzlich durchgeführte systematische Literaturrecherche hat ergeben, dass die diagnostische Genauigkeit der Parkinson-Diagnose bei Allgemeinärzten in der Primärversorgung schwer zu ermitteln ist, da es keine gut durchgeführten Studien gibt. Die in der Übersichtsarbeit identifizierten Studien zeigten jedoch einige spezifische Probleme auf, wie z. B. Wissenslücken über Morbus Parkinson und Verzögerungen bei der Überweisung, weil die Symptome nicht rechtzeitig erkannt werden (32). Eine genaue Diagnose lässt sich daher am besten durch die Konsultation von Neurologen für Bewegungsstörungen stellen; diese sind jedoch nicht immer leicht zu erreichen, vor allem nicht in LMICs, was zu Verzögerungen bei der endgültigen Diagnose und einer angemessenen Behandlung führt (16). Auch die Verwechslung von Morbus Parkinson mit anderen Arten von Bewegungsstörungen oder anderen Erkrankungen ist bei Patienten im Frühstadium der Erkrankung relativ häufig, wobei Raten von 20-30 % berichtet werden (31, 33). Dies gilt insbesondere für Fälle von Morbus Parkinson im Frühstadium, einem Begriff, der das Auftreten der Krankheit bei Menschen beschreibt, die älter als 21, aber jünger als 50 Jahre sind (34), und der heute 8-10 % der Morbus Parkinson-Patienten ausmacht. Diese Zahl kann jedoch je nach ethnischer Gruppe variieren, da die genetischen Voraussetzungen unterschiedlich sind. Klinische Laien erwarten bei diesen jüngeren Menschen möglicherweise nicht, dass es sich um eine Erkrankung handelt, die allgemein als eine Erkrankung älterer Menschen angesehen wird. Hinzu kommt, dass Morbus Parkinson in bestimmten Regionen der Welt, darunter in einigen Ländern Afrikas und Teilen Asiens, mit übernatürlichen Vorstellungen in Verbindung gebracht wird und die Betroffenen wegen ihrer Krankheit extrem ausgegrenzt, stigmatisiert und verfolgt werden, was zu sozialer Isolation, schlechter Versorgung in Gesundheitseinrichtungen, fehlendem Zugang zu Pflege, endgültiger Diagnose und Behandlung führt (35). Nach den Erfahrungen des größten thailändischen Tertiärzentrums für Morbus Parkinson, dem Chulalongkorn Centre of Excellence for Parkinson’s Disease and Related Disorders (ChulaPD, www.chulapd.org) in Bangkok, werden Morbus-Parkinson-Patienten in der Regel erst dann diagnostiziert, wenn sie bereits seit durchschnittlich 3 bis 5 Jahren Symptome haben, d. h. sie sind oft sehr symptomatisch (12). Wenn man bedenkt, dass die Degeneration der dopaminergen Neuronen bereits im Frühstadium der Parkinson-Krankheit schwerwiegend ist und mindestens 60 % ausmacht, ist es wahrscheinlich zu spät, eine endgültige Diagnose zu stellen, wenn die Patienten bereits seit mehreren Jahren Symptome haben. Diese Ergebnisse lassen sich zwar nicht auf alle Zentren im Land verallgemeinern, die Morbus-Parkinson-Patienten behandeln, aber es ist möglich, dass die Situation in weniger spezialisierten Einrichtungen noch schlimmer ist.

Das große Problem des weltweiten Anstiegs der Morbus Parkinson-Population ist jedoch nur die Spitze des Eisbergs, und die vielen nicht diagnostizierten Fälle im frühen Krankheitsstadium – einer Zeit, in der therapeutische Maßnahmen am sinnvollsten wären – müssen bei der Ressourcenplanung im Gesundheitswesen berücksichtigt werden. Die Zunahme der Parkinson-Erkrankungen wird als globale Herausforderung erkannt, aber die Bemühungen, sie zu bekämpfen, müssen auf nationaler Ebene beginnen (36). Es müssen wirksame Diagnosestrategien entwickelt werden, aber in vielen Ländern, auch in Thailand und anderen LMICs, fehlt es an spezialisierten Neurologen für Bewegungsstörungen, und die Ressourcen im Gesundheitswesen sind begrenzt, um dies zu erreichen (12). In Thailand wurden bis zu 80 % der Morbus-Parkinson-Patienten noch nie von einem Facharzt für Neurologie untersucht, sondern nur von nicht spezialisierten Ärzten oder gar nicht von Ärzten (37). Außerdem gibt es landesweit nur eine begrenzte Anzahl von Fachärzten für Neurologie, die sich auf die Diagnose und Behandlung von Patienten mit Bewegungsstörungen wie Morbus Parkinson spezialisiert haben, und mehr als die Hälfte von ihnen befindet sich in städtischen Gebieten (37, 38).

Wie später noch näher erläutert wird, können digitale Gesundheitstechnologien in diesem Zusammenhang eine wichtige Rolle spielen, vor allem in LMICs. Sie bieten eine praktische Lösung, um Klinikern, insbesondere Nicht-Fachärzten, und anderen Gesundheitsfachkräften, die an der Betreuung von Parkinson-Patienten beteiligt sind, ein zusätzliches Screening-Instrument an die Hand zu geben, mit dem sie Patienten in den frühen Stadien der Parkinson-Krankheit erkennen können. Die Kosteneffizienz der Früherkennung mit solchen digitalen Lösungen und die Frage, ob der gesundheitliche Nutzen, den sie bieten können, die Investitionskosten rechtfertigt, sind von großem Interesse. Eine in den USA durchgeführte Studie untersuchte die Kosteneffizienz von sensorbasierten Maßnahmen bei Parkinson in Form von qualitätsbereinigten Lebensjahren und den damit verbundenen Kosten. Die Ergebnisse zeigten, dass die digitalen Maßnahmen in diesem Umfeld kosteneffizient sind und sowohl gesundheitliche als auch wirtschaftliche Vorteile bieten, insbesondere wenn sie für die Gesundheitsvorsorge in öffentlichen Einrichtungen wie Gesundheitsmessen und Apotheken eingesetzt werden (39). Dieser Ansatz hat jetzt in Thailand Priorität und könnte besonders nützlich sein, um verschiedene Bevölkerungsgruppen in den städtischen und ländlichen Regionen des Landes zu erreichen (36).

1.4. Die Notwendigkeit von Strategien zur Prävention der Parkinson-Krankheit

Bis vor kurzem lag der Schwerpunkt bei der Behandlung neurodegenerativer Erkrankungen vor allem auf Diagnose und Behandlung, und „Prävention“ wurde nicht als sinnvolles Ziel angesehen, da diese Krankheiten viele Jahre lang als nicht vermeidbar galten. Angesichts der sich häufenden Beweise fordern die Weltgesundheitsorganisation (WHO) und mehrere andere Fachorganisationen jedoch dringend, die Prävention als Teil der allgemeinen Strategien für die Gesundheit des Gehirns zu betrachten (17, 40-42). Im Fall von Morbus Parkinson hat sich der Fokus geändert, weil die Forschung immer mehr Beweise für das komplexe Zusammenspiel von Ursachen und Risikofaktoren liefert, die der Pathologie von Morbus Parkinson zugrunde liegen. Morbus Parkinson, der früher als lokal begrenzte Erkrankung des Gehirns angesehen wurde, gilt heute als Multisystemerkrankung, an der auch andere Organsysteme beteiligt sind und bei der sowohl genetische als auch Umweltfaktoren zur Entstehung beitragen (43, 44). Dieses breitere Wissen hat die Bandbreite der Interventionsmöglichkeiten verdeutlicht und macht die Vorbeugung von Morbus Parkinson zu einer echten Möglichkeit, die als Priorität betrachtet werden sollte. Auch bei anderen neurodegenerativen Erkrankungen, wie z. B. der Alzheimer-Krankheit, liegt der Schwerpunkt zunehmend auf Präventionsstudien und der Einbeziehung von Probanden in früheren Stadien, die für eine frühzeitige Intervention in Frage kommen (45). Es wird erwartet, dass eine Konzentration auf die Vorbeugung von Morbus Parkinson und nicht nur auf die Behandlung dazu beitragen wird, die Zahl der Morbus Parkinson-Fälle zu senken, so wie es auch bei anderen Krankheiten wie Herz-Kreislauf-Erkrankungen und einigen Krebsarten geschehen ist (2, 7, 17). Die WHO und andere Organisationen haben daher betont, dass dringend Maßnahmen ergriffen werden müssen, um nicht nur das Bewusstsein für die aktuellen und zukünftigen Herausforderungen einer wachsenden Morbus Parkinson-Bevölkerung zu schärfen, sondern auch, um präventive oder neuroprotektive Strategien zu entwickeln, die auf Bevölkerungsebene angewendet werden können, bevor Symptome auftreten.

Es ist bekannt, dass Morbus Parkinson eine lange Prodromalphase hat, die bis zu 20 Jahre vor der klinischen Diagnose andauern kann (46-48). Dies ist die latente Phase, in der sich die Krankheit allmählich entwickelt, bevor die charakteristischen und beobachtbaren motorischen Anzeichen und Symptome auftreten, die eine klinische Diagnose ermöglichen, und die eine Chance für die Prävention der Krankheit bietet (47, 49). Derzeit gibt es noch keine eindeutigen krankheitsmodifizierenden Therapien für Morbus Parkinson, die das Fortschreiten der Krankheit verlangsamen, aufhalten oder umkehren können, obwohl auf diesem Gebiet noch viel geforscht wird (50, 51). Selbst wenn morgen eine wirksame krankheitsmodifizierende Therapie gefunden würde, könnte es aufgrund der langen Zeit, die für klinische Studien und die behördliche Zulassung benötigt wird, ein Jahrzehnt oder länger dauern, bis sie in der klinischen Praxis eingesetzt werden kann (52). Darüber hinaus haben sowohl die WHO als auch die European Association for Neurology (EAN) erkannt, dass die Behandlung der etablierten Parkinson-Krankheit eine erhebliche Belastung darstellt, und betont, wie wichtig es ist, der Erforschung wirksamer Präventionsstrategien Priorität einzuräumen, die derzeit zu den sechs größten globalen Forschungslücken in der Neurologie gehören (17, 40, 42). Die WHO hat kürzlich ein Positionspapier herausgegeben, in dem sie sich für die Gesundheit des Gehirns während des gesamten Lebens einsetzt, um die Gesundheit und das Wohlbefinden der Bevölkerung insgesamt zu optimieren.

Die „Prävention“ von Krankheiten im Bereich der öffentlichen Gesundheit ist jedoch kein einheitliches Konzept, sondern lässt sich je nach Zeitpunkt und Ziel der Intervention in primäre, sekundäre und tertiäre Prävention einteilen (7). Die Primärprävention zielt darauf ab, die Krankheitsursache zu erkennen und zu beseitigen, damit die Krankheit gar nicht erst entsteht; die Sekundärprävention setzt bei den Krankheitsprozessen in einem frühen Stadium an und greift ein, um die Entwicklung von Symptomen zu verhindern oder zu verlangsamen, während die Tertiärprävention Bemühungen beschreibt, das Fortschreiten der Krankheit zu verlangsamen und die Belastung durch eine bereits bestehende Krankheit zu minimieren. Die Bedeutung und das Interesse an der Prävention von Parkinson wurde auf einer internationalen Konferenz mit dem Titel „Planning for Prevention of Parkinson“ im Jahr 2021 deutlich: A Trial Design Symposium and Workshop“. Dabei ging es speziell um die Herausforderungen bei der Planung und Durchführung von Präventionsstudien bei Parkinson, insbesondere um die Frage, wer rekrutiert werden sollte, welche Maßnahmen getestet werden sollten und welche Endpunkte gemessen werden sollten, um aussagekräftige und robuste Ergebnisdaten zu erhalten (53-56).

1.5. Screening auf Prodromal- und Frühstadien der Parkinson-Krankheit

Morbus Parkinson hat einen langen natürlichen Verlauf, wobei Anzeichen von Neurodegeneration bereits 10-20 Jahre vor dem Auftreten motorischer Symptome sichtbar werden (47). Daten des thailändischen Parkinson-Registers zeigen, dass das Durchschnittsalter von Parkinson-Patienten bei der Diagnose bei etwa 63 Jahren liegt (57). Daher ist es logisch, dass in der Zeitachse der Entwicklung und des Fortschreitens der Parkinson-Krankheit alle Präventionsstrategien vor dem Ausbruch der Degeneration ansetzen sollten (Abbildung 1). Die Zielgruppe für ein nationales Screening-Programm zur Bestimmung des Morbus Parkinson-Risikos in Thailand sind daher Menschen ab einem Alter von 40 Jahren, also etwa 20 Jahre vor dem üblichen Auftreten der motorischen Symptome der Parkinson-Krankheit. Dieser Zeitpunkt wird durch klinische, pathologische und bildgebende Studien gestützt, die zeigen, dass nicht-motorische Symptome 10-20 Jahre vor dem Auftreten motorischer Symptome zu beobachten sind, wobei die dopaminerge Neurodegeneration in der Substantia nigra des Gehirns bis zu 6 Jahre vor der Diagnose beobachtet wird und andere Neuropathologien in anderen Teilen des Zentralnervensystems wahrscheinlich früher auftreten (46, 58).

Abbildung 1

Der natürliche Verlauf der Parkinson-Krankheit (PD) zeigt das Fortschreiten der motorischen und nichtmotorischen Symptome vom Prodromalstadium bis zum fortgeschrittenen Stadium. Zwischen dem Auftreten von motorischen Symptomen und der bestätigten klinischen Diagnose von Morbus Parkinson liegt in der Regel eine gewisse Zeitspanne. Die rot/rosa schattierten Felder sind klinische Parameter, die entweder mithilfe eines Fragebogens oder einer digitalen Anwendung überprüft werden können, die grau schattierten hingegen nicht. Aufgrund der langen Prodromalperiode der Parkinson-Krankheit liegt das empfohlene Alter für das Screening bei 40 Jahren.

Um herauszufinden, wer von möglichen Morbus-Parkinson-Präventionsstrategien profitieren könnte, müssen zunächst geeignete Kandidaten anhand von validierten Markern identifiziert werden. Es gibt inzwischen Hinweise darauf, dass es eine Reihe von motorischen und nichtmotorischen Prodromalsymptomen gibt, die sowohl klinisch (z. B. REM-Schlafverhaltensstörung, Verstopfung oder Geruchsveränderungen) als auch pathologisch (Neuronenverlust und Lewy-Körperchen) mit der späteren Entwicklung von Parkinson in Verbindung stehen (59-61). Von allen Prodromalsymptomen hat RBD den höchsten Vorhersagewert für die spätere Entwicklung von Parkinson (60, 62). Die Untersuchung der Entwicklung von Prodromalsymptomen in einer Kohorte von Patienten mit idiopathischer RBD zeigte, dass die Symptome unterschiedlich lange vor der endgültigen Diagnose von Parkinson auftreten (46). Von den nicht-motorischen Symptomen traten Geruchsverluste als erste auf, oft schon >20 Jahre vor der bestätigten Parkinson-Erkrankung. Farbsehstörungen, Verstopfung und Erektionsstörungen traten 10-16 Jahre vorher auf, während Harnverhaltensstörungen und kognitiver Abbau 7-9 Jahre vorher festgestellt wurden. Motorische Beeinträchtigungen, wie z. B. die Fähigkeit, abwechselnd zu klopfen, konnten bis zu 8 Jahre vor der Diagnose beobachtet werden. Eine fallkontrollierte Studie, die Daten aus der Datenbank des Health Improvement Network für die Primärversorgung in Großbritannien von 8.166 Personen mit und 46.755 Personen ohne Morbus Parkinson im Zeitraum von 1996 bis 2012 verwendete, bestätigte ebenfalls eine Reihe von prädiagnostischen Merkmalen, die mehrere Jahre vor einer klinischen Diagnose von Morbus Parkinson erkannt werden konnten (63). Mithilfe einer multivariaten logistischen Regression wurde ein Algorithmus für das Risiko berechnet, innerhalb von 5 Jahren an Morbus Parkinson zu erkranken. Die Faktoren, die unabhängig voneinander und signifikant mit einer späteren Parkinson-Diagnose verbunden waren, waren Tremor, Verstopfung, Depressionen oder Angstzustände, Müdigkeit, Schwindel, Harnverhalten, Gleichgewichtsprobleme, Gedächtnisprobleme und kognitiver Verfall, Hypotonie, Steifheit und Hypersalivation (64).

Das Interesse an Parkinson im Frühstadium und die Zahl der identifizierten Marker sind in den letzten zehn Jahren erheblich gestiegen (60). In Anbetracht dieses wachsenden Interesses hat die Internationale Gesellschaft für Parkinson und Bewegungsstörungen (MDS) 2015 eine Reihe von Kriterien für prodromale Parkinson-Erkrankungen veröffentlicht, die in der Forschung verwendet werden können, um die Identifizierung und Diagnose zu standardisieren (59, 62). Diese Kriterien werden regelmäßig aktualisiert, sobald neue Erkenntnisse vorliegen. Die identifizierten Prodromalmarker sind ein vielversprechendes Instrument, um die wahrscheinliche Umwandlung in eine Parkinson-Krankheit zu bestimmen. Es sind jedoch weitere Längsschnittstudien in einer größeren Anzahl von Parkinson-Kohorten erforderlich, um diese Ergebnisse zu bestätigen und zu verbessern und die diagnostische Genauigkeit zu erhöhen (59, 65, 66). Es gibt ein MDS-Webportal, das die Prodromal-PD-Forschung und den Informationsaustausch fördern soll und einen praktischen Rechner für die Prodromal-PD-Wahrscheinlichkeit anhand der neuesten Kriterien bereitstellt (59).

In der „realen Welt“ bietet ein Bevölkerungsscreening zur frühzeitigen Erkennung dieser wichtigen Prodromal-PD-Marker die Möglichkeit, das Fortschreiten der Krankheit besser zu verstehen und frühzeitig mit möglichen Präventionsstrategien einzugreifen (oder eine rechtzeitige Behandlung durchzuführen, wenn die Krankheit bereits erkannt wurde). In verschiedenen Ländern wurden verschiedene Screening-Initiativen für den Einsatz in der klinischen Praxis evaluiert, um Menschen zu identifizieren, die ein Risiko haben, an Parkinson zu erkranken. Sie konzentrierten sich auf frühe motorische und nichtmotorische Morbus-Parkinson-Symptome sowie Prodromalmarker und verwendeten in der Regel eine umfragebasierte Methodik mit von Patienten ausgefüllten Fragebögen, in einigen Fällen in Kombination mit objektiven Tests. RBD, der stärkste Marker für Morbus Parkinson im Frühstadium, wurde in einer kanadischen, gemeindebasierten Studie als Screening-Instrument bewertet (67). Dabei wurde ein mehrstufiger Ansatz mit RBD-Screening-Fragebögen verwendet. Diejenigen, die beide Screening-Stufen bestanden (29 Patienten), unterzogen sich einer bestätigenden Polysomnografie. Diese Screening-Strategie hatte einen positiven Vorhersagewert von 66, und 63 % der Patienten, die eine vollständige Polysomnografie durchliefen, erfüllten die Kriterien für eine prodromale Parkinson-Erkrankung. Die in Großbritannien durchgeführte PREDICT-PD-Studie war die erste, die systematisch Risikofaktoren für Parkinson in einer allgemeinen Bevölkerungskohorte kombinierte (68, 69). Die Studie umfasste Teilnehmer im Alter von 60-80 Jahren ohne Parkinson, die eine Online-Umfrage ausfüllten, die validierte Fragebögen zu Depressionen, RBD und frühen nichtmotorischen Merkmalen von Parkinson enthielt. Außerdem wurden sie einem Gentest, einem Geruchstest und einer Bewertung der Fingertippgeschwindigkeit unterzogen. Die Ergebnisse der Studie und ihre longitudinale Nachverfolgung ermöglichten die Entwicklung eines Online-Algorithmus, der ein einfaches Instrument zur prospektiven Identifizierung des Parkinson-Risikos darstellt.

1.6. Der Wert digitaler Technologien für die Beurteilung der Parkinson-Krankheit

Zu den klassischen objektiven Tests zur Beurteilung von Morbus Parkinson gehören die bildgebende Untersuchung des Gehirns oder die Analyse von Blut oder Liquor (70-72), aber diese sind in der Regel invasiv und können kostspielig sein. Außerdem sind sie nicht in jeder Umgebung zugänglich oder erfordern spezielle Kenntnisse. Tragbare, digitale Untersuchungsmethoden bieten eine wertvolle Alternative, die die klinische Versorgung und den Zugang zu ihr verbessern kann. Vor allem in kleinen und mittleren Ländern (LMICs), wo die personellen und finanziellen Ressourcen begrenzt sind, können digitale Technologien die Gesundheitsversorgung verbessern (73). Auch wenn die Einführung dieser neuen Technologien in die bestehenden Arbeitsabläufe und Gesundheitssysteme in den LMICs mit Herausforderungen verbunden sein kann (74), gibt es inzwischen zahlreiche Belege für ihre Machbarkeit und ihren Nutzen im klinischen Bereich, insbesondere für die Fernbeurteilung und -erfassung von Daten (75, 76). Mobiltelefone sind heute in den meisten Ländern der Welt weit verbreitet, was die Verbindung zwischen Bürgern und Gesundheitsdienstleistern erleichtert, insbesondere in abgelegenen ländlichen Gebieten (77). Eine der wichtigsten Lehren aus der COVID-19-Pandemie, insbesondere für LMICs, war, dass der Einsatz digitaler Technologien nicht nur die Fähigkeit verbessern kann, auf Herausforderungen im Bereich der öffentlichen Gesundheit zu reagieren, sondern auch die primären Gesundheitssysteme, die die Versorgung übernehmen, stärken kann (78).

Digitale Hilfsmittel und andere innovative Technologien werden in der Neurologie und bei Bewegungsstörungen bereits häufig eingesetzt, um Ärzte und Ärztinnen bei der Diagnose, Überwachung und Behandlung zu unterstützen, und sind weiterhin Gegenstand intensiver Forschung und Entwicklung (12, 79-82). Smartphone-Anwendungen und Smartwatches werden zusammen mit Technologien des maschinellen Lernens zunehmend zur Erfassung von Aktivitätsdaten eingesetzt, die bei der Diagnose und Überwachung von Parkinson helfen können (83-87). Sie wurden auch für die Erfassung von Ergebnisdaten in klinischen Studien untersucht (88). Smartphones sind relativ einfach zu bedienen, den meisten Menschen vertraut, relativ kostengünstig, nicht invasiv und ermöglichen die Datenerfassung durch Nicht-Fachleute, entweder vor Ort oder aus der Ferne. Die verschiedenen Sensoren, die typischerweise in Smartphones eingebaut sind, wie z. B. Beschleunigungsmesser, Gyroskope und Mikrofone, machen sie zu einem idealen Instrument für die Erfassung von Daten von Menschen mit Parkinson. Testaktivitäten für die Morbus-Parkinson-Diagnose mithilfe von Smartphone-Anwendungen wurden bereits erfolgreich und mit guter Genauigkeit für die Analyse des Gangs (89, 90), der gesprochenen Stimme (91, 92) und des Tremors (93, 94) eingesetzt. Die Fingerbewegung beim Tippen hat ebenfalls vielversprechende Ergebnisse mit hoher Genauigkeit für die Früherkennung von Parkinson gezeigt (95, 96). Die von den Sensoren des Smartphones gesammelten Daten werden verarbeitet, um diagnostische Merkmale zu extrahieren, die allgemeine statistische Analysen (Mittelwert, Standardabweichung, Perzentile), aber auch Zeit- und Frequenzmessungen umfassen können. Die extrahierten Merkmale werden dann in einen Klassifikator für maschinelles Lernen eingespeist, z. B. in neuronale Netze (NN), Entscheidungsbäume und Support Vector Machines (SVM), um zwischen Parkinson-Fällen und Nicht-Parkinson-Fällen zu unterscheiden (90, 92, 97). Mobile Technologien und der Einsatz digitaler Marker wurden vor kurzem erfolgreich für die Selbsteinschätzung des Alzheimer-Risikos zu Hause validiert, um ein Screening aus der Ferne zur Unterstützung der klinischen Beurteilung zu ermöglichen (98). Eine weitere digitale Strategie, die derzeit in einer klinischen Studie bei Menschen mit Alzheimer-Krankheit (NCT05027789) untersucht wird, ist die so genannte „Brain Boosters“-Intervention, die Gedächtnistraining und die Förderung gesunder Lebensgewohnheiten kombiniert, die mithilfe einer digitalen Anwendung umgesetzt und überwacht werden (99).

Das Forschungsteam von ChulaPD verfügt über umfangreiche Erfahrungen im Bereich der digitalen Technologien und kann auf eine Reihe von Veröffentlichungen zur Entwicklung von Geräten/Sensoren und Anwendungen verweisen (96, 100-104). Bislang haben sich die entwickelten Geräte und Technologien auf Strategien für Patienten konzentriert, bei denen die Diagnose Parkinson bereits gestellt wurde. Sie wurden eingesetzt, um die Genauigkeit der Morbus-Parkinson-Diagnose und -Überwachung zu verbessern und Informationen über geeignete therapeutische Maßnahmen zu erhalten. Außerdem wurden sie als Hilfsmittel eingesetzt, um hartnäckige Symptome zu lindern, z. B. das Einfrieren des Gangs mit Hilfe eines Laserstocks (105), hartnäckigen Tremor mit dem speziell entwickelten „Tremor’s Glove“ (106) und die nächtliche Hypokinese mit nächtlichen Geräten zu beurteilen.

Da das Team erkannt hat, wie wichtig die Früherkennung von Morbus Parkinson ist, hat es sein digitales Fachwissen auf die Parkinson-Risikoerhebung angewandt, um Screening-Strategien für die thailändische Bevölkerung zu entwickeln, die subtile Symptome erkennen und eine Risikobewertung vornehmen können. Sie haben eine Smartphone-Anwendung entwickelt, die Tremor-, Gang-, Fingertipp- und Stimmdaten sammelt, um frühe Anzeichen von Morbus Parkinson zu erkennen, und neu entwickelte Sprachtests mit thailändischen Sätzen und anhaltenden Vokalen sowie einen Fingerklemmtest einbezieht. Das Verfahren zur Auswahl und Validierung dieser digitalen Marker wird in Methoden, Abschnitt 2.3 beschrieben.

Thailand ist ein Beispiel für ein kleines LMIC, das in den letzten Jahrzehnten von einer beträchtlichen sozialen und wirtschaftlichen Entwicklung profitiert hat und über ein etabliertes Programm zur allgemeinen Gesundheitsversorgung seiner Bürgerinnen und Bürger verfügt (12). Diese Eigenschaften machen das Land zu einem idealen Standort für die Umsetzung eines nationalen Screening-Programms mit digitaler Technologie, wie es für die Parkinson-Risikoerhebung vorgeschlagen wurde. Da das Chula-PD-Team landesweit das Laserstockgerät verteilt hat, mit dem Patienten mit Gangproblemen im mittleren bis fortgeschrittenen Stadium der Parkinson-Krankheit erkannt werden können, gibt es außerdem bereits ein klinisches Netzwerk, das bei der Identifizierung von Patienten im Frühstadium der Parkinson-Krankheit genutzt werden kann.

1.7. Der thailändische Parkinson-Risiko-Fragebogen

Die Parkinson-Risikoerhebung (Kennnummer des thailändischen Registers für klinische Studien: TCTR20231025005) wird durchgeführt, um eine digitale Screening-Plattform für die Bevölkerung zu evaluieren, die es ermöglicht, nicht diagnostizierte Fälle von Morbus Parkinson in der thailändischen Bevölkerung im Alter von über 40 Jahren zu identifizieren, zu denen auch frühe und fortgeschrittene Fälle gehören können. Außerdem soll die Studie diejenigen identifizieren, die sich im Prodromalstadium befinden, sowie Risikopersonen, die mit präventiven Lebensstilmaßnahmen angesprochen werden können. Die Grundprinzipien und Ziele des nationalen digitalen Screening-Programms sowie die erwarteten Ergebnisse sind in Abbildung 2 dargestellt.

Abbildung 2

Grundprinzipien und Ziele des Screening-Programms für die Parkinson-Erkrankung.

Das Projekt zur Erhebung des Parkinson-Risikos wurde in Zusammenarbeit mit der thailändischen Rotkreuzgesellschaft durchgeführt und steht unter der Schirmherrschaft Ihrer Königlichen Hoheit Prinzessin Maha Chakri Sirindhorn, der Vizepräsidentin der thailändischen Rotkreuzgesellschaft. Bei der Konzeption der Studie arbeitete eine multidisziplinäre Gruppe von Experten auf dem Gebiet der Parkinson-Krankheit zusammen. Dazu gehörten Neurologen für Bewegungsstörungen unter der Leitung von RB, Projektmanager, allgemeine Neurologen, Internisten, Data Science Engineers mit Erfahrung im maschinellen Lernen, Parkinson-Schwestern, Patientenvertreter, ein Physiotherapeut, ein Diätassistent und politische Entscheidungsträger. Die Kampagne wurde am 18. Januar 2024 offiziell von der Prinzessin anlässlich der Durchführung der ersten Feldstudie in der Provinz Nakhon Sawan im zentralen Norden Thailands eröffnet (Abbildung 3).

Abbildung 3

Das Projekt zur Erhebung des Parkinson-Risikos, das zu Ehren Ihrer Königlichen Hoheit Prinzessin Maha Chakri Sirindhorn, Vizepräsidentin der Thailändischen Rotkreuzgesellschaft, durchgeführt wird. Oben: Ihre Königliche Hoheit und das multidisziplinäre Team, das an der Konzeption, Validierung und Durchführung der Studie beteiligt war, bei der offiziellen Eröffnungsveranstaltung; unten: Probanden, die mit den digitalen Tools untersucht werden.

Prodromale Parkinson-Krankheit bezeichnet das Stadium, in dem Personen die Diagnosekriterien für Parkinson nicht erfüllen (d. h. Bradykinesie und mindestens ein weiteres motorisches Zeichen), aber Anzeichen und Symptome aufweisen, die auf ein überdurchschnittlich hohes Risiko hinweisen, in Zukunft motorische Symptome zu entwickeln und die Diagnose Parkinson zu stellen (62). Die digitale Plattform wird landesweit eingesetzt und ermöglicht die Erfassung von Daten zu Sprache, Handtremor, Fingerfertigkeit und Mobilität, die zusammen mit Informationen aus einem von den Teilnehmern ausgefüllten Fragebogen über Parkinson-Symptome analysiert werden. Die Ergebnisse werden es ermöglichen, eine Reihe von Lebensstilmaßnahmen bei denjenigen durchzuführen, die ein Risiko haben, in Zukunft an Morbus Parkinson zu erkranken, oder eine geeignete Behandlung für diejenigen zu finden, die bereits an Morbus Parkinson erkrankt sind.

Es gibt Hinweise darauf, dass Maßnahmen wie regelmäßige Bewegung, eine eher mediterrane Ernährung und eine ausreichende Schlafqualität das Fortschreiten der Krankheit und den Übergang vom Prodromalstadium zur klinischen Parkinson-Krankheit verlangsamen können. Sobald Personen mit Prodromalstadium durch ein nationales Screening identifiziert wurden (Phase 1 des Projekts), können diese Lebensstilinterventionen – EAT, MOVE und SLEEP – anschließend auf einer personalisierten Basis umgesetzt werden, um die Entwicklung von Parkinson in Thailand zu verhindern oder zu minimieren (Phase 2 des Projekts) (12). Es wird davon ausgegangen, dass diese digitale Plattform auch als Modell für ähnliche Screening-Strategien für andere nicht übertragbare Krankheiten in Thailand dienen könnte.

In diesem Manuskript werden der Gesamtentwurf und die Durchführung von Phase 1 der Parkinson’s Disease Risk Survey-Studie in Thailand beschrieben, einschließlich der Entwicklung und Validierung des Fragebogens und der Marker, aus denen die digitale Plattform besteht, sowie das Verfahren zur Extraktion und Analyse der Daten mit Hilfe von maschinellen Lernwerkzeugen, die Personen mit einem Risiko für die Entwicklung von Parkinson oder mit frühen Anzeichen von Parkinson identifizieren sollen. Die Studie befindet sich derzeit in der Anfangsphase der Umsetzung auf der Grundlage dieser validierten Methodik, und die Daten der Teilnehmer werden laufend gesammelt und analysiert; darüber wird zu gegebener Zeit gesondert berichtet.

2. Methoden und Analyse

2.1. Allgemeines Studiendesign

Die Parkinson-Risikoerhebung richtet sich an alle thailändischen Bürger über 40 Jahre. Die Umfrage wird auf drei Arten durchgeführt: (1) Einzelne Bürgerinnen und Bürger können die App herunterladen und den Fragebogen und die Tests selbst ausfüllen, (2) Feldstudien werden vom ChulaPD-Forschungsteam in verschiedenen Provinzen in Zusammenarbeit mit den Gesundheitsämtern der Provinzen, den Provinzkrankenhäusern, den Rot-Kreuz-Sektionen der Provinzen und den Rot-Kreuz-Zweigstellen der Bezirke durchgeführt und (3) digitale Screening-Stationen werden in jedem Provinzkrankenhaus in Thailand eingerichtet. Die Zusammensetzung des Untersuchungspakets, das die digitale Plattform umfasst, ist in Tabelle 1 dargestellt.

Tabelle 1

Zusammensetzung des digitalen Untersuchungspakets für das nationale Parkinson-Screening in Thailand.

Die Probanden, die an der nationalen Screening-Studie teilnehmen, werden gebeten, vor der Teilnahme eine schriftliche Einverständniserklärung gemäß der Erklärung von Helsinki (IRB Nr. 0804/65) abzugeben. Sie werden gebeten, einen validierten 20-teiligen Fragebogen auszufüllen (Einzelheiten zur Entwicklung und Validierung des Fragebogens siehe unten), um festzustellen, ob sie motorische oder nichtmotorische Parkinson-Symptome haben oder ob es Anzeichen für atypische parkinsonsche Störungen gibt. Außerdem werden sie objektiven Tests unterzogen, um ihre Leistung bei bestimmten motorischen Aufgaben zu messen, z. B. beim Sprechen, beim Tremor, bei der Geschicklichkeit und bei der Mobilität (Details zur Auswahl und Validierung der Tests siehe unten). Die Tests werden mit Hilfe mobiler Smartphone-Technologie durchgeführt und die Daten gesammelt.

Die über die digitale Plattform gesammelten Daten werden in einer Datenbank gespeichert, die von der thailändischen Rotkreuzgesellschaft erstellt und verwaltet wird, und zwar unter strenger Einhaltung der Vorschriften des Institutional Review Board und des Personal Data Protection Act. Die thailändische Rotkreuzgesellschaft ist eine große nationale gemeinnützige öffentliche Organisation, die humanitäre Aktivitäten durchführt, einschließlich der Förderung der Lebensqualität und der Behandlung und Ausrottung von Krankheiten, in Übereinstimmung mit den Grundsätzen des Internationalen Roten Kreuzes. Die Gesellschaft ist eng mit dem ChulaPD verbunden, dem einzigen tertiären Zentrum in Thailand, das sich der Erforschung und Behandlung von Morbus Parkinson widmet und mit dem sie seit vielen Jahren bei nationalen Projekten im Zusammenhang mit Morbus Parkinson und dessen Management zusammenarbeitet (28, 107).

Die Identifizierung von Personen mit nicht diagnostiziertem Morbus Parkinson (sowohl im Frühstadium als auch im fortgeschrittenen Stadium), von Personen im Prodromalstadium oder von Personen mit einem erhöhten Risiko, an Morbus Parkinson zu erkranken, wird mit Hilfe verschiedener maschineller Lernmodelle unter Verwendung von kombinierten Daten aus dem Fragebogen und objektiven Messungen bewertet.

2.2. Entwicklung und Validierung des Fragebogens

Der Fragebogen zur Erhebung des Parkinson-Risikos wurde von einem Expertengremium entwickelt und validiert, das sich aus Neurologen für Bewegungsstörungen, Fachkrankenschwestern für die Parkinson-Krankheit und Vertretern einer Morbus-Parkinson-Selbsthilfegruppe (Patienten und Betreuer) zusammensetzt. Der Fragebogen ist Teil der digitalen Plattform der Parkinson-Risikoumfrage und wird von den Teilnehmern über ein mobiles Smartphone ausgefüllt, wobei die Antworten über den Touchscreen eingegeben werden. Tabelle 2 zeigt den Inhalt des ins Englische übersetzten Fragebogens. Die thailändische Originalversion des Fragebogens findest du im Zusatzmaterial 1. Einzelheiten zur Entwicklung und Validierung des Fragebogens werden im Folgenden beschrieben.

Tabelle 2

Fragebogen zum Screening der Parkinson-Krankheit (englische Version).

Ja Nein
Hast du jemals einen Tremor in deinen Händen oder Beinen im Ruhezustand bemerkt?

Hast du angefangen, langsamer zu schreiben oder hat sich deine Handschrift verändert oder ist kleiner geworden?

Hast du bemerkt, dass du ungeschickter oder langsamer geworden bist, z. B. beim Kämmen, Anziehen oder Baden, oder dass du mehr Schwierigkeiten mit Aufgaben hast, die eine feinmotorische Kontrolle der Hände erfordern, wie z. B. Knöpfe zu knöpfen oder eine Flasche zu öffnen?

Hast du bemerkt, dass deine Stimme weicher oder monotoner geworden ist oder dass Zuhörer/innen immer wieder nachfragen müssen, weil sie dich nicht verstehen?

Ist dir aufgefallen, dass deine Arme weniger oder gar nicht mehr schwingen, wenn du gehst?

Gehst du mit kurzen Schritten oder mit einem schlurfenden Gang?

Hast du Schwierigkeiten beim Gehen oder erstarrst du, wenn du anfängst zu gehen, während du gehst oder wenn du dich umdrehst?

Hast du Probleme damit, dich beim Gehen nach vorne zu werfen, so dass du mit deinem Schritt nicht mithalten kannst, oder Schwierigkeiten, wenn du das Gehen sofort abbrechen musst?

Hast du eines der folgenden Probleme? Schwierigkeiten, dich im Schlaf umzudrehen, aus dem Bett aufzustehen oder aufzustehen, nachdem du dich hingesetzt hast.

Beginnt dein Zittern, deine Langsamkeit oder Steifheit zuerst auf einer Seite deines Körpers?

Weißt du, ob du Symptome beim Sprechen, Schreien oder Bewegen deiner Arme und Beine hast, während du träumst, oder ob du im Schlaf aus dem Bett gefallen bist? Oder wurde dir jemals von einem Bettpartner oder einer Pflegeperson gesagt, dass du diese Symptome hast?

Bist du tagsüber oft übermäßig schläfrig oder schläfst du ein, während du eine Tätigkeit ausübst?

Hast du das Gefühl, dass dein Geruchssinn nachgelassen hat?

Hattest du in den letzten 3 Monaten chronische Verstopfung, d. h. du hast weniger als dreimal pro Woche Stuhlgang?

Hast du Symptome einer Depression, z. B. weinst du leichter als sonst oder hast du kein Interesse mehr an deiner Umgebung oder an Dingen, die dir früher Spaß gemacht haben?

Hast du jemals eine Halluzination gesehen oder ein Geräusch gehört, ohne dass eine Person anwesend war?

Fühlst du dich normalerweise benommen oder schwindlig, wenn du deine Position vom Liegen oder Sitzen zum Aufstehen wechselst, und bessern sich diese Symptome normalerweise oder verschwinden, wenn du dich hinsetzt oder hinlegst?

Hast du normalerweise Probleme mit der Harnkontrolle, z. B. wenn du den Urin nicht kontrollieren kannst, Harninkontinenz oder Harnverhalt?

Hast du Probleme mit dem analytischen Denken, dem Gedächtnis oder dem Rechnen, die sich seit mehr als einem Jahr verschlimmert haben?

Hast du Gleichgewichtsprobleme oder häufige Stürze, die mit Zittern, Verlangsamung oder Steifheit beginnen?

2.2.1. Format

Das Gremium war sich einig, dass die Umfrage grundlegende demografische Daten, Informationen über das Vorhandensein oder die Exposition gegenüber potenziellen Risiko- oder Schutzfaktoren erfassen und Fragen zu motorischen und nichtmotorischen Parkinson-Symptomen sowie zu potenziellen atypischen Parkinson-Symptomen stellen sollte, unter denen die Person leidet. Was die Struktur, den Schwerpunkt und die Länge des Symptomteils der Umfrage angeht, wurde vereinbart, dass insgesamt 20 Fragen optimal sind, um das Engagement der Teilnehmer und das Ausfüllen der Umfrage sicherzustellen. Die Fragen werden entweder mit „ja“ oder „nein“ beantwortet und die Antworten der Teilnehmer/innen werden mit „1“ (ja) und „0“ (nein) kodiert. Die Fragen 1-10 beziehen sich auf das Vorhandensein motorischer Symptome, die Fragen 11-15 auf das Vorhandensein nicht-motorischer Symptome und die Fragen 16-20 auf das Vorhandensein von „roten Fahnen“, die darauf hindeuten, dass der Proband an einer atypischen Parkinson-Erkrankung leidet.

2.2.2. Auswahl der Merkmale

Die Screening-Fragen zu den motorischen Symptomen (Fragen 1-10) wurden auf der Grundlage der klinischen Diagnosekriterien des MDS für Morbus Parkinson (108) und die Fragen zu prodromalen/nichtmotorischen Symptomen auf der Grundlage der MDS-Forschungskriterien für prodromale Parkinson-Erkrankungen (59) entwickelt. Auch die Symptome und Anzeichen, die bisher in den Fragebögen zum Screening von Parkinson und Morbus Parkinson berücksichtigt wurden, wurden in früheren Studien zur Entwicklung von Fragebögen zum Screening von Morbus Parkinson auf Gemeindeebene und in Krankenhäusern eingehend geprüft (109-112). Das Gremium einigte sich dann auf die Items, die am ehesten auf das Vorliegen von Parkinson im Frühstadium hinweisen (63, 64, 109, 111, 113, 114).

Bei den motorischen Symptomen waren Tremor und Zittern, Bradykinesie und lästiges Armschwingen, Steifheit, Gang und Haltung sowie Schwierigkeiten beim Aufstehen nach dem Sitzen gute Fragen, um zwischen Morbus Parkinson und gesunden Kontrollpersonen zu unterscheiden, basierend auf Sensitivität und Spezifität. Die Sensitivität bzw. Spezifität von Tremor und Schütteln betrug: 85,8 % (95 % KI: 79,1-90,7) und 89,9 % (95 % KI: 82,3-94,6), Bradykinesie und mühsames Armschwingen: 72,7 % (95 % KI: 64,7-79,5) und 98,1 % (95 % KI: 92. 6-99,7), Steifheit: 88,9% (95% CI: 82,5-93,2) und 80,0% (95% CI: 71,1-86,8), Gangart: 69,0% (95% CI: 61,0-76,1) und 91,2% (95% CI: 84,6-96,0), Haltung: 59,4 % (95 % KI: 51,2 – 67,1) und 92,7 % (95 % KI: 85,7 – 6,6), Schwierigkeiten beim Aufstehen: 42,5 % (95 % KI: 34,6-50,7) und 82,7 % (95 % KI: 71,4-89,0). Die Kombination aus Bradykinesie und Langsamkeit, Gang und Haltung sowie Schwierigkeiten beim Aufstehen lag bei 87,5% bzw. 86,3%. Bei einer Umfrage in einer Gemeinde wurde ein Problem mit Frage 9 festgestellt, das sich auf die Formulierung „Schwierigkeiten beim Aufstehen nach dem Hinsetzen“ bezog, da einige Befragte orthopädische Probleme hatten.

Die fünf Fragen zu prodromalen/nicht-motorischen Symptomen (Fragen 11-15) basierten auf der veröffentlichten Reihenfolge der Likelihood Ratio (LR) (59, 65) und umfassten Hyposmie (LR 6,4), mögliche RBD aufgrund der Fragebogenantworten (LR 2,8), übermäßige Tagesmüdigkeit (LR 2,7), Verstopfung (LR 2,5) und Depression (LR 1,6).

Die fünf Fragen zu den „Red-Flag“-Items, die sich auf atypische Parkinson-Erkrankungen beziehen (Fragen 16-20), wurden vom Expertengremium aus einer Überprüfung der Hauptsymptome abgeleitet, die Morbus Parkinson von den vier wichtigsten atypischen Parkinson-Erkrankungen unterscheiden, nämlich der progressiven supranukleären Lähmung, dem kortikobasalen Syndrom, der Atrophie des multiplen Systems und der Demenz mit Lewy-Körperchen, und zwar auf der Grundlage der veröffentlichten Kriterien für die Differentialdiagnose dieser Erkrankungen (115-120) sowie der Red-Flag-Kriterien der klinischen Diagnosekriterien des MDS für Morbus Parkinson (108).

2.2.3. Validierung

Es gibt verschiedene Ansätze für die Bewertung der Inhaltsvalidität; eine Durchsicht der veröffentlichten Literatur zeigt jedoch, dass es keinen Konsens über die beste Methode für patientenorientierte Instrumente gibt (121, 122). Einige Studien verwenden nur die Meinung des Expertengremiums ohne jegliche Einstufung, während andere ein 3-, 4- oder 5-Punkte-Bewertungssystem vorschlagen. In unserer Studie wurde die inhaltliche Validität des Symptomfragebogens zunächst vom Expertengremium auf seine Relevanz für die klinische Präsentation von Prodromal- und frühen Parkinson-Erkrankungen sowie auf seine Anwendbarkeit in der thailändischen Bevölkerung geprüft. Außerdem haben wir bei der Bewertung des Fragebogens ein standardmäßiges 3-stufiges Ankersystem verwendet, wie es auch in anderen PD-Fragebogenstudien erfolgreich eingesetzt wurde (114). Jedes Item wurde in drei Stufen eingestuft (0 = nicht relevant, 0,5 = mäßig relevant, 1 = sehr relevant) (114). Die Inhaltsvalidität wurde als Mittelwert aller Items berechnet, wobei jeder Mittelwert > 0,5 als akzeptabel angesehen wurde. Mit der von uns gewählten Methode lag die Inhaltsvalidität des Fragebogens bei einem Mittelwert ± Standardabweichung (SD) von 0,97 ± 0,07 (Bereich: 0,85-1,0).

Die Zuverlässigkeit des Fragebogens wurde an einer Gruppe von 15 Personen mit Morbus Parkinson (7 männlich, 8 weiblich; mittleres [± SD] Alter: 67,6 ± 9,7) und 15 Kontrollpersonen (7 männlich, 8 weiblich; mittleres [± SD] Alter: 51,8 ± 9,0) ohne Morbus Parkinson mit Hilfe des Cronbachs Alpha-Koeffizienten der Gesamtpunktzahl getestet. Ein Cronbachs-Alpha-Koeffizient von > 0,7 wurde als Zeichen für eine gute Zuverlässigkeit angesehen. Der Cronbachs-Alpha-Koeffizient für den Fragebogen wurde mit 0,939 berechnet. Die Test-Retest-Zuverlässigkeit wurde an einer Gruppe von 100 Morbus Parkinson-Betroffenen (54 Männer, 46 Frauen) untersucht, wobei zwischen dem ersten und dem zweiten Test drei Monate lagen. Die demografischen Merkmale der Teilnehmer der Test-Retest-Studie sind in Tabelle 3 zusammengefasst. Für alle 20 Fragen wurde eine signifikante Test-Retest-Zuverlässigkeit bestätigt (p < 0,001 in jedem Fall). Die Pearson-Korrelation zwischen PD und dem Gesamtsummenwert des 20-Punkte-Fragebogens betrug R = 0,931 (p < 0,001). Die Pearson-Korrelation für jedes einzelne Item ist im Ergänzungsmaterial 2 dargestellt. Die Receiver-Operating-Characteristic-Kurve (ROC-Kurve) für die Klassifizierung von Morbus Parkinson anhand des Symptomfragebogens mit 10-facher Kreuzvalidierung ergab eine mittlere Fläche unter der Kurve (AUC) von 0,92 ± 0,02.

Tabelle 3

Demografische Merkmale der Probanden, die an der Test-Retest-Validierung des Fragebogens teilnahmen.

Parameter Männlich (n = 54) Weiblich (n = 46) p-value (Chi-Quadrat-Test)
Alter, Jahre (Mittelwert ± SD) 62,0 ± 14,8 56,1 ± 10,2 0,030* (Unpaariger t-Test)
Status, % Ledig 21,4% Ledig 25,5% 0,933
Verheiratet 66,7% Verheiratet 61,8%
Geschieden 4,8% Geschiedene 3,6%
Unbekannt 7,1% Unbekannt 9,1%
Alkoholkonsum in der Vergangenheit, % Nein 47,6% Nein 90,9% <0,001*
Ja 50,0% Ja 9,1%
Aufgehört 2,4% Aufgehört 0%
Kaffeekonsum in der Vergangenheit, % Nein 33,3% Nein 40,0% 0,532
Ja 67,7% Ja 60,0%
Früherer Milchkonsum, % Nein 42,9% Nein 30,9% 0,287
Ja 57,1% Ja 69,1%
Vorgeschichte des Rauchens, % Nein 73,8% Nein 96,4% 0,005*
Ja 9,5% Ja 1,8%
Aufgehört 16,7% Aufgehört 1,8%
Vorgeschichte des Konsums von Milchprodukten, % Nein 66,7% Nein 52,7% 0,213
Ja 33,3% Ja 47,3%
Sportliche Betätigung in der Vergangenheit, % Nein 38,1% Nein 74,5% <0,001*
Ja 61,9% Ja 25,5%
Pestizidbelastung in der Vergangenheit, % Nein 97,6% Nein 89,1% 0,135
Ja 2,4% Ja 10,9%
Frühere Kopfverletzung, % Nein 92,9% Nein 98,2% 0,313
Ja 7,1% Ja 1,8%
Drogenabhängigkeit in der Vergangenheit, % Nein 100% Nein 100% NA
Begleitende Krankheiten, % Nein 52,4% Nein 43,6% 0,419
Ja 47,6% Ja 56,4%
Diabetes mellitus 26,2% 23,6% 0,815
Bluthochdruck 28,6% 23,6% 0,634
Dyslipidämie 4,8% 7,3% 0,695
Herzkrankheit 4,8% 0% 0,185
Zerebrovaskuläre Erkrankungen 4,8% 1,8% 0,577
Gicht 2,4% 0% 0,433
Gutartige Prostatahypertrophie 7,1% 0% 0,078
Kniearthrose 0% 7,3% 0,131
Gastritis 2,4% 5,5% 0,631
Sonstige 4,8% 18,2% 0,063
SD, Standardabweichung; *Statistisch signifikanter Unterschied zwischen den Gruppen auf dem Niveau p < 0,05.

2.3. Auswahl und Validierung der digitalen Marker

Das Expertengremium überprüfte potenzielle Frühdiagnosemarker für Morbus Parkinson mit dem Ziel, eine Reihe digitaler Marker zu erstellen, die sich für ein großangelegtes Screening der Allgemeinbevölkerung eignen und über eine digitale Plattform bereitgestellt werden können (Abbildung 4).

Abbildung 4

Die Anwendungsoberfläche des digitalen Bewertungspakets und wie die Bewertung durchgeführt wurde.

2.3.1. Auswahl der digitalen Marker

Die digitalen Marker, die in die Parkinson-Risikoerhebung aufgenommen werden sollten, wurden nach einer Überprüfung veröffentlichter Studien ausgewählt, in denen mobile Geräte und maschinelle Lernverfahren zur Quantifizierung von Parkinson eingesetzt wurden (83-85, 87). Diese Studien haben gezeigt, dass es durch die Kombination von Tests mit einer auf maschinellem Lernen basierenden Analyse möglich ist, Personen mit Morbus Parkinson mit einem hohen Maß an Sensitivität und Spezifität von Kontrollpersonen zu unterscheiden. Zu den gängigen Tests für die Morbus-Parkinson-Diagnose, die mit Smartphone-Anwendungen durchgeführt werden, gehören Gang, Stimme, Fingertippen, Gedächtnistests und Fragebögen. Für die objektive Prüfung der motorischen Funktionen wird die Parkinson-Risikoerhebung eine Smartphone-Anwendung nutzen, um Daten zu Sprechstimme, Tremor, Fingerfertigkeit und Mobilität zu sammeln. Bei allen ausgewählten Markern handelt es sich um solche, mit denen ChulaPD bereits umfangreiche Forschungserfahrung hat. Die endgültige Auswahl der digitalen Marker umfasst acht Variablen, die in Tabelle 4 beschrieben sind: Sprachvokal, Sprachsätze, Ruhe- und Haltungszittern, abwechselndes Fingertippen, „Pinch-to-Size“-Test sowie Gang- und Gleichgewichtstests. Die Gründe für diese Auswahl und ihre Anwendbarkeit auf der digitalen Plattform werden im Folgenden zusammengefasst.

Tabelle 4

Die acht ausgewählten digitalen Marker und die Anzahl der Aufzeichnungen, die für jede Testaktivität während der Validierung durchgeführt wurden.

Aktivität Probanden mit Parkinson Kontrollpersonen
Anzahl der Testaufnahmen für jede Aktivität
Stimme Vokal 315 183
Sprachliche Sätze 512 331
Ruhender Tremor 211 154
Posturaler Tremor 211 154
Abwechselndes Fingerklopfen 324 205
Zwicken-zu-Größe 294 205
Gangart 280 202
Gleichgewicht 284 201

2.3.1.1. Sprachvokal- und Sprachsatztests

Sprachschwierigkeiten, auch Dysarthrie genannt, gehören zu den ersten Symptomen von Morbus Parkinson und betreffen vor allem eine verschlechterte Phonation, Artikulation und Prosodie (123-126). Die Beurteilung der Stimme ist eines der wichtigsten Merkmale der Parkinson-Krankheit und ihre Veränderungen können das erste motorische Zeichen in der Prodromalphase sein (127, 128). Um die Dysarthrie zu beurteilen, werden die Betroffenen in der Regel auf die Verwendung von anhaltenden Vokalen, Wörtern oder Sätzen untersucht. Zu den Merkmalen, die aus den Stimmdaten im Frequenzbereich extrahiert werden, gehören die Grundfrequenz, die Tonhöhe und die Obertöne, während die Merkmale, die im Zeitbereich extrahiert werden, aus der Amplitude, der Periode, dem Zittern und dem Flimmern bestehen. Singh und Xu (92) wendeten mehrere Klassifizierungsansätze des maschinellen Lernens auf Stimmproben von Personen an, die 10 Sekunden lang „Aaah“ aus dem mPOWER-Datensatz sagten, um zwischen Parkinson und Nicht-Parkinson-Fällen zu unterscheiden. Die Autoren berichteten von einem Klassifizierungs-AUC von 0,99, wenn sie L1-basierte Merkmalsauswahl in Verbindung mit SVM verwendeten. Despotovic et al. (91) erzielten eine Klassifizierungsgenauigkeit von 96,92 %, indem sie die automatische Relevanzbestimmung (ARD) nach dem Gauß-Verfahren anwandten, um Personen mit Parkinson anhand von anhaltenden Vokalen aus dem Parkinson-Telemonitoring-Datensatz zu identifizieren. In mehreren Studien wurde berichtet, dass die aus den Aufzeichnungen der anhaltenden Vokale extrahierten Merkmale bei der Unterscheidung zwischen Morbus Parkinson und Nicht-Morbus Parkinson effektiver sind als die aus Wörtern oder Sätzen extrahierten Merkmale (91, 129, 130). Mehrere Studien haben jedoch berichtet, dass die Verwendung von Sätzen für die Klassifizierung effektiver ist als die Verwendung von anhaltenden Vokalen, wobei die Genauigkeit zwischen 82 % und 99 % liegt, da Sätze mehr Einblicke in Prosodie, Phonation und Artikulation bieten (123, 131, 132).

Während motorische Tests wie Tremor, Gang und Fingertippen unabhängig von der Sprache der Person anwendbar sind, kann es bei Sprachtests vorkommen, dass die Testperson den Test aufgrund von Problemen mit der Aussprache nicht versteht oder ihn nicht erfolgreich abschließen kann, was die Testergebnisse und deren Interpretation beeinflussen kann (133). Um dies zu vermeiden, wurden für die digitale Plattform zur Erhebung des Parkinson-Risikos in Thailand neu entwickelte Sprachtests entwickelt, die anhaltende Vokale (ein lautes „Aah“ für 10 Sekunden, um die Phonation zu beurteilen) und das Sprechen von Sätzen in thailändischer Sprache (um Prosodie und Artikulation zu beurteilen) verwenden und so die Relevanz für thailändische Muttersprachler erhöhen.

2.3.1.2. Ruhe- und Haltungszittertests

Tremor ist ein unwillkürliches und oft rhythmisches Zittern verschiedener Körperteile, wobei die Hände eine der häufigsten Stellen bei Morbus Parkinson sind. Die Arten des Tremors, die üblicherweise für eine Morbus-Parkinson-Diagnose verwendet werden, sind der „Ruhetremor“ und der „posturale Tremor“. Bei einem Ruhetremor werden die Hände in eine entspannte Position gebracht, z. B. in den Schoß gelegt, ohne dass eine Bewegung beabsichtigt ist (134). Posturaler Tremor beschreibt einen Tremor, der auftritt, während man eine bestimmte Haltung einnimmt (135). Die Daten der Trägheitssensoren eines Smartphones können dazu verwendet werden, den Grad des Tremors zu quantifizieren (93) und so festzustellen, ob die Person an Morbus Parkinson leidet. Die Merkmale der Tremordaten werden sowohl im Zeit- als auch im Frequenzbereich extrahiert. Im Zeitbereich umfassen diese Merkmale die zeitliche Fluktuation, den quadratischen Mittelwert (RMS) der linearen Beschleunigung und die ungefähre Entropie. Im Frequenzbereich umfassen sie die Leistungsfrequenz und die Leistungsspektraldichte. Surangsrirat et al. (94) berichteten über eine Klassifizierungsgenauigkeit, Sensitivität und Spezifität von 100 % bei der Verwendung von SVM als Klassifikator, der mit 10-facher Kreuzvalidierung getestet wurde und nur das Merkmal der zeitlichen Fluktuation für die Klassifizierung verwendet.

2.3.1.3. Alternatives Fingertippen und „pinch-to-size“-Test

Beeinträchtigungen der Fingerfertigkeit sind eines der ersten motorischen Anzeichen für Morbus Parkinson und können etwa 6 Jahre vor der Diagnose von Morbus Parkinson nachgewiesen werden (46). Abnormale Geschicklichkeitsbewegungen können erkannt werden, indem man abwechselnd mit zwei Fingern auf die Computertastatur oder auf das Smartphone tippt (96, 136, 137). Studien haben gezeigt, dass der Ansatz des maschinellen Lernens, der die verschiedenen Parameter des Fingerklopftests verwendet, Morbus Parkinson mit guter Genauigkeit von Kontrollpersonen unterscheiden kann, was darauf hindeutet, dass der alternierende Fingerklopftest ein vielversprechender digitaler Marker zur Quantifizierung subtiler motorischer Symptome im Frühstadium von Morbus Parkinson sein könnte (96).

Ergänzend zum Fingerklopftest wird ein Fingerklemmtest durchgeführt, der in dieser Studie als „Pinch-to-Size-Test“ bezeichnet wird. Dieser Test wurde entwickelt, um den Morbus Parkinson-Tremor in den Fingern und Händen zu erkennen, indem Daten zum Berühren des Bildschirms gesammelt werden, während die Probanden ihren Daumen und Zeigefinger zusammenkneifen, um die Größe eines Kreises auf einem Handybildschirm zu verfolgen. Der Pinch-to-Size-Test ähnelt dem Fingertapping-Test, bei dem die Testpersonen gebeten werden, ihren Zeigefinger so schnell wie möglich wiederholt auf dieselbe Hand zu tippen und den Zeigefinger nach dem Tippen so weit wie möglich vom Daumen wegzubewegen (138, 139). Dieser Fingerklopftest wird normalerweise verwendet, um die Fingersteifigkeit zu beurteilen. Der Kneiftest, der für die Parkinson-Risikoerhebung ausgewählt wurde, bewertet feinere Bewegungen und die Hand-Augen-Koordination beider Finger, da die Geschwindigkeit und Größe des Kneifens durch die Form des Zielkreises begrenzt wird. Der Pinch-to-Size-Test ist außerdem bequem durchzuführen, da er der Pinch-Bewegung ähnelt, die man auf einem Handy-Display zum Vergrößern oder Verkleinern benutzt.

2.3.1.4. Gangart- und Gleichgewichtstests

Menschen mit Morbus Parkinson können unter Gang- und Gleichgewichtsstörungen leiden, die sich durch langsames Gehen, Schlurfen, schleppende Schritte und Schwierigkeiten beim Anfangen oder Anhalten des Gehens äußern können (140, 141). In Kombination mit einer instabilen Körperhaltung ist die Person anfälliger für das Risiko eines Sturzes. Die Beschleunigungsmesser- und Gyroskop-Funktionen eines Smartphones können genutzt werden, um das Gangbild zu quantifizieren. Zu den Merkmalen, die aus den Gangdaten extrahiert werden, gehören Beschleunigungsamplitude, Ganggeschwindigkeit, Schrittintervalle, Spitzenfrequenz und Wavelet-Bänder. Pittman et al. (89) erreichten eine Genauigkeit von 92 % bei der Klassifizierung von Parkinson-Patienten und Nicht-Parkinson-Patienten mit Hilfe eines Entscheidungsbaums und eines künstlichen NN unter Verwendung von Daten, die während einer Gehaktivität (10 s Gehen und 10 s Stehen) gesammelt wurden. Auch Zhang et al. (90) setzten ein tiefes neuronales Netzwerk als Klassifikator ein, wobei die Autoren eine Fläche unter der Receiver Operating Characteristic Curve (AUC) von 0,87 ermittelten.

2.3.2. Validierung der digitalen Marker und Datenanalyse

Die acht ausgewählten Marker wurden zu einer digitalen Anwendung entwickelt, die wie unten beschrieben validiert wurde. Die Validierung wurde an einer Kohorte von 343 Menschen mit Parkinson (48,6 % männlich) und 230 Kontrollpersonen (27,9 % männlich) ohne Parkinson durchgeführt. Die Teilnehmer führten jede Testaktivität mit Hilfe einer mobilen Anwendung durch und die Daten wurden mit den eingebauten Sensoren des Mobiltelefons aufgezeichnet, nämlich dem Beschleunigungsmesser, dem Gyroskop, dem Mikrofon und dem Touchscreen. Die Validierungsstudie wurde von der Ethikkommission der Medizinischen Fakultät der Chulalongkorn-Universität genehmigt (IRB-Nummer 0804/65). Alle Probanden gaben vor der Teilnahme an der Studie eine schriftliche Einverständniserklärung gemäß der Deklaration von Helsinki ab. Die Leistung bei den acht Testaktivitäten wurde von jedem Teilnehmer mithilfe einer mobilen Anwendung und den eingebauten Sensoren eines Smartphones aufgezeichnet, nämlich dem Beschleunigungsmesser, dem Gyroskop, dem Mikrofon und dem Touchscreen. Wie die einzelnen Testaktivitäten durchgeführt wurden, ist in Tabelle 5 beschrieben.

Tabelle 5

Durchführungsmethoden für jede der digitalen Marker-Testaktivitäten.

Marker Beschreibung des Tests
Stimmhafter Vokal Die Teilnehmer/innen sprechen den anhaltenden Vokal /a/, wie in „bar“, 10 Sekunden lang aus, ohne den Atem anzuhalten. Der Test wird für jeden Teilnehmer dreimal wiederholt.
Sätze vorlesen Die Teilnehmer/innen lesen Sätze in thailändischer Sprache laut vor, wie z. B. den Beispielsatz „rod tid mak loey“, was so viel bedeutet wie „Der Verkehr ist wirklich verstopft“. Der Test umfasst insgesamt 25 Sätze, die in realen Situationen häufig vorkommen.
Ruhetremor Die Teilnehmer/innen werden angewiesen, das Mobiltelefon mit dem Bildschirm nach oben auf eine Handfläche zu legen und die Hand in den Schoß zu legen. Dann werden sie gebeten, durch Drücken auf den Bildschirm anzugeben, ob sich das Gerät auf der linken oder rechten Seite befindet. Zum Schluss werden die Teilnehmer angewiesen, ihre Hand zusammen mit dem Gerät 20 Sekunden lang ruhig zu halten.
Haltungszittern Die Teilnehmer/innen werden angewiesen, das Gerät zu halten und auf den Bildschirm zu drücken, um zu überprüfen, welche Seite der Hand sie halten, dann den Arm auszustrecken und diese Haltung 20 Sekunden lang beizubehalten.
Abwechselndes Fingertippen Die Teilnehmer legen das Gerät auf eine flache Oberfläche. Dann werden sie angewiesen, mit dem Zeige- und Mittelfinger einer Hand auf zwei Kreise zu tippen, die auf dem Bildschirm erscheinen. Dabei sollen sie so schnell wie möglich zwischen den beiden Fingern wechseln und den korrekten Fingerwechsel innerhalb von 10 s beibehalten.
Pinch-to-size Die Teilnehmer/innen legen das Gerät auf eine flache Oberfläche. Sie werden angewiesen, mit Daumen und Zeigefinger einer Hand zu kneifen und dabei der unterschiedlichen Größe eines Kreises zu folgen, der sich ebenfalls zufällig über den Bildschirm bewegt. Der Test wird für jeden Teilnehmer fünfmal wiederholt.
Gangart Die Teilnehmer/innen halten das Gerät und gehen 3 Meter in einer geraden Linie, drehen sich dann um und gehen zurück zur Ausgangsposition. Die Teststrecke ist so angelegt, dass die Laufrichtung und der Wendepunkt angegeben sind.
Gleichgewicht Die Teilnehmer/innen werden angewiesen, das Gerät in eine Tasche zu stecken, nachdem sie auf Start gedrückt haben, um den Test zu beginnen. Dann stehen sie 30 Sekunden lang still. Ein Ton wird abgespielt, um das Ende des Tests zu signalisieren.

2.3.2.1. Merkmalsextraktion

Die Merkmale wurden mit der Python-Bibliothek SciPy extrahiert (142). SciPy.stats wurde für statistische Parameter (z. B. Mittelwert, SD, Kurtosis und Skew) verwendet. SciPy.signal und SciPy.fft wurden für die Extraktion von Merkmalen im Zeit- (z. B. Periodenamplitude) und Frequenzbereich (z. B. Obertöne und Formanten) verwendet. Die extrahierten Merkmale wurden entsprechend der Teilnehmergruppe gekennzeichnet, bevor sie in den Machine Learning Classifier eingespeist wurden.

2.3.2.2. Wahl des Klassifikators für maschinelles Lernen

Viele Studien haben gezeigt, dass maschinelle Klassifizierungsalgorithmen auf der Grundlage von Daten, die über Smartphone-Anwendungen gesammelt wurden, eine genaue Unterscheidung zwischen Personen mit und ohne Parkinson ermöglichen.

Zunächst wurde die Leistung von drei Machine-Learning-Klassifikatoren verglichen: Multilayer Perceptron (MLP), SVC und Random Forest (RF) unter Verwendung der Hold-Out-Methode für die Aufteilung der Datensätze, um herauszufinden, welcher sich am besten für die Daten der Parkinson-Erhebung eignet. Wir haben die Standardeinstellungen für jeden Klassifikator aus scikit-learn (143) Version 1.3.0 verwendet. Die Wahl fiel auf den RF-Algorithmus, weil er im Vergleich zum SVC eine höhere Genauigkeit bei der Klassifizierung von Parkinson zeigte und in unserer vorläufigen Analyse mit Tremor- und Gangaufzeichnungen vergleichbar mit dem MLP abschnitt. Die bessere Leistung des RF-Algorithmus im Vergleich zu SVC und MLP stimmt mit den Ergebnissen von Sarkar et al. überein (144).

RF ist ein maschineller Lernalgorithmus, der aus einem Ensemble von Entscheidungsbäumen besteht. Bei einer Klassifizierungsaufgabe wird jeder Zweig des Entscheidungsbaums anhand von Teilmengen von Trainingsdaten trainiert, die mit den vorhergesagten Klassen gekennzeichnet sind. Während des Lernprozesses führen die Entscheidungsbäume eine Reihe von Vergleichen mit ausgewählten Eingabemerkmalen durch (Knotensplitting), bis dem Merkmal eine Vorhersageklasse zugewiesen wird. Die endgültige Vorhersageklasse des RF wird durch die Mehrheit der Ausgabeklassen der Entscheidungsbäume bestimmt.

In der Validierungsstudie wurde ein RF-Klassifikator verwendet, um vorherzusagen, ob die Aktivitätsaufzeichnungen von einer Person mit oder ohne Parkinson stammen. Der Wald bestand aus 100 Bäumen, und die Gini-Unreinheit wurde verwendet, um die Qualität der Splits zu messen. Die maximale Anzahl der Merkmale wurde durch die Quadratwurzel der Gesamtzahl der Merkmale bestimmt, bevor nach dem besten Knotensplitting gesucht wurde. Um die Generalisierbarkeit der Klassifikatoren zu beurteilen, wurde eine zehnfache Kreuzvalidierung durchgeführt. Bei jeder Testaktivität wurden die Daten in 90 % für die Trainings- und 10 % für die Testgruppen aufgeteilt. Klassifikatoren, die speziell für eine bestimmte Aktivität trainiert wurden, werden als spezialisierte Klassifikatoren bezeichnet.

2.3.2.3. Ensemble-Lernen

Der Datensatz der Validierungsstudie enthält, wie bei vielen Smartphone-basierten Studien, fehlende Daten. Viele Teilnehmerinnen und Teilnehmer haben nur einen Teil der verfügbaren Tests absolviert, weniger als die Hälfte hat alle verfügbaren Tests abgeschlossen. Außerdem sind die Morbus-Parkinson-Symptome heterogen, d. h., die Patienten können unterschiedliche Ausbruchs- und Verlaufsformen aufweisen. Um diese Herausforderungen zu bewältigen, wurde ein Ensemble-Klassifikator-Abstimmungsansatz verwendet. Bei diesem Ansatz unterscheiden sich die Klassifikatoren nur in der Trainingsmenge auf der Grundlage der Testaktivität, während der Algorithmus gleich bleibt (wodurch ein homogenes Ensemble entsteht).

Frühere Studien haben gezeigt, dass es von Vorteil ist, die Heterogenität der Parkinson-Krankheit zu berücksichtigen, indem man entweder die Aktivitätsdaten oder die Klassifikatoren kombiniert, um die Klassifizierungsgenauigkeit zu verbessern. Schwab und Karlen (145) haben ein Evidenzaggregationsmodell (EAM) vorgestellt, das vier trainierte NN-Modelle integriert, die auf die Erkennung von Parkinson für jede Testaktivität (Gehen, Stimme, Fingertippen und Gedächtnis) spezialisiert sind. Dieser Ansatz zielt darauf ab, mehrere Modellergebnisse zu kombinieren und einen einzigen diagnostischen Score zu erstellen. Das EAM erreichte einen AUC von 0,85 und übertraf damit die Parkinson-Klassifikation, die mit einzelnen Aktivitäten und einzelnen Klassifikatoren erreicht wurde. Prince et al. (97) implementierten einen Ensemble-Learning-Ansatz mit mehreren Quellen, der drei Testaktivitäten (Gehen, Stimme und Fingertippen) mit kombinierten Klassifikatoren wie Einzelneuronen, Random Forest, Convolutional NN und Deep NN verwendet. Die Klassifizierungsgenauigkeit des Ensemble-Ansatzes lag bei 82 % und übertraf damit die Klassifizierung einzelner Aktivitäten mit einzelnen oder kombinierten Klassifizierern für Parkinson. Daher wird für die Analyse der Daten aus der Parkinson-Erhebung ein Ensemble-Ansatz verwendet.

Das Verfahren zur Aufteilung der Trainings- und Testmengen für die Parkinson-Klassifizierung mithilfe des Ensemble-Lernens ist in Abbildung 5 dargestellt. Von den 343 Personen mit Morbus Parkinson haben 162 alle Tests abgeschlossen, während von den 230 Personen ohne Morbus Parkinson 128 alle Tests abgeschlossen haben. Die Daten der Personen, die alle Tests abgeschlossen haben (bezeichnet als Daten t), wurden in einen 90%igen Trainingssatz und einen 10%igen Testsatz unterteilt. Der Trainingsdatensatz wurde mit den Daten der Personen kombiniert, die nicht alle Tests absolviert hatten (bezeichnet als Daten r), um ein spezielles Modell für jeden Test zu trainieren.

Abbildung 5

Das Verfahren zur Aufteilung der Trainings- und Testmengen für die PD-Klassifizierung mithilfe des Ensemble-Lernens.

Eine nach dem Zufallsprinzip ausgewählte Teilmenge der Testmenge wurde für die Vorhersage mit spezialisierten Modellen verwendet. Dieser Vorgang wurde für jede Kombination von Aktivitätssets fünfmal wiederholt. Die optimale Kombination von Aktivitätssets wurde auf der Grundlage der verfügbaren aufgezeichneten Aktivitäten der Teilnehmer/innen ausgewählt. Die Ergebnisse des Modells wurden dann einer Mehrheitsabstimmung unterzogen, um die endgültige Klassifizierung als PD oder Nicht-PD zu erhalten.

2.3.2.4. Klassifizierungsmetriken

Die Leistung der spezialisierten und der Ensemble-Klassifikatoren bei der Unterscheidung zwischen Parkinson und Nicht-Parkinson wurde anhand der Fläche unter der Receiver Operating Characteristic (ROC)-Kurve (AUC) bewertet (146). Die ROC-Kurve veranschaulicht die Wahr-Positiv-Rate und die Falsch-Positiv-Rate bei verschiedenen Klassifizierungsschwellenwerten, wobei PD als positive Klasse und Nicht-PD als negative Klasse eingestuft wird. Die wahr-positive Rate gibt das Verhältnis der richtig vorhergesagten PD-Fälle zur Gesamtzahl der tatsächlichen PD-Fälle an, während die falsch-positive Rate das Verhältnis der falsch vorhergesagten PD-Fälle zur Gesamtzahl der tatsächlichen Nicht-PD-Fälle widerspiegelt. Die AUC-Berechnungen wurden mit der Funktion „sklearn.metrics“ aus der Python-Bibliothek scikit-learn, Version 1.3.0, durchgeführt.

Die Wahr-Positiv-Rate (TPR) und die Wahr-Negativ-Rate (TNR) wurden mit Hilfe der Gleichungen 1 und 2 berechnet, um den Anteil der richtigen Vorhersagen für jede Klasse durch die Ensemble-Klassifikatoren aufzuzeigen.

Dabei ist 𝑇𝑃 (wahr positiv) die Anzahl der richtig vorhergesagten PD-Fälle, 𝐹𝑁 (falsch negativ) die Anzahl der PD-Fälle, die fälschlicherweise als Nicht-PD vorhergesagt wurden, 𝑇𝑁 (wahr negativ) die Anzahl der richtig vorhergesagten Nicht-PD-Fälle und 𝐹𝑃 (falsch positiv) die Anzahl der fälschlicherweise als PD vorhergesagten Nicht-PD-Fälle.

Die Genauigkeit, Gleichung 3, berechnet sich aus der Anzahl der richtig vorhergesagten PD-Fälle geteilt durch die Gesamtzahl der Vorhersagen, lautet wie folgt.

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦=𝑇𝑃+𝑇𝑁𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁#

(3)

Die Precision-Recall (PR)-Kurve wurde speziell zum Vergleich der PD-Klassifizierung bei der Verwendung von Vokal- und Stimmsätzen verwendet. Mit dieser Untersuchung sollte festgestellt werden, ob das Ungleichgewicht der Daten zwischen PD und Nicht-PD einen Einfluss auf die Klassifikatorleistung in dieser Metrik im Vergleich zur ROC-Kurve hat (147). So kann es sein, dass ein Klassifikator PD genau vorhersagt, aber bei der Vorhersage von Nicht-PD-Fällen schlecht abschneidet. Die PR-Kurve wurde mit der „sklearn.metrics“ Version 1.3.0 berechnet.

2.3.2.5. Validierungsergebnisse

Tabelle 6 fasst die PD-Klassifizierungsleistung mit Klassifikatoren zusammen, die auf einzelne Aktivitätsdaten spezialisiert sind, gemessen an der mittleren AUC mit 10-facher Kreuzvalidierung. Die PD-Klassifizierung unter Verwendung von Gleichgewichtsdaten erzielte die höchste mittlere (±SD) AUC von 0,88 ± 0,06. Die Verwendung von Stimmvokalen führte zu einem mittleren (±SD) AUC von 0,82 ± 0,04, was den niedrigsten Wert darstellte.

Tabelle 6

Mittlere Fläche unter der Receiver Operating Characteristic Curve nach 10-facher Kreuzvalidierung für jede Testaktivität.

Aktivität Mittlere AUC ± SD
Gleichgewicht 0,88 ± 0,06
Haltungszittern 0,87 ± 0,06
Zweimaliges Klopfen 0,86 ± 0,05
Zwicken-zu-Größe 0,85 ± 0,05
Gangart 0,84 ± 0,07
Fragebogen 0,83 ± 0,04
Sprachliche Sätze 0,83 ± 0,04
Ruhetremor 0,83 ± 0,06
Stimme Vokal 0,82 ± 0,04
Die Testaktivitäten sind nach ihrer mittleren Fläche unter der Kurve (AUC) in absteigender Reihenfolge sortiert.SD, Standardabweichung.

Die ROC-Kurven für die Klassifizierung der Parkinson-Krankheit mit RF und 10-facher Kreuzvalidierung zeigten mittlere (±SD) AUC-Werte von 0,82 ± 0,04 bzw. 0,83 ± 0,04 (Abbildung 6). Bei der Verwendung von Ruhetremordaten und Haltetremor-Daten ergaben die ROC-Kurven für die PD-Klassifizierung mit RF bei 10-facher Kreuzvalidierung mittlere (±SD) AUC-Werte von 0,83 ± 0,06 bzw. 0,87 ± 0,06 (Abbildung 7). Bei der Verwendung von Dual-Tapping- und Pinch-to-Size-Daten ergaben die ROC-Kurven für die PD-Klassifizierung mit RF bei 10-facher Kreuzvalidierung mittlere (±SD) AUC-Werte von 0,86 ± 0,05 bzw. 0,85 ± 0,05 (Abbildung 8). Bei der Verwendung von Gang- und Gleichgewichtsdaten ergaben die ROC-Kurven für die PD-Klassifizierung mit RF und 10-facher Kreuzvalidierung mittlere (±SD) AUC-Werte von 0,84 ± 0,07 bzw. 0,88 ± 0,06 (Abbildung 9).

Abbildung 6
Receiver-Operating-Characteristic-Kurve der Klassifikatoren unter Verwendung von Vokaldaten (links) und Satzdaten (rechts).

Abbildung 7
Receiver-Operating-Characteristic-Kurve der Klassifikatoren unter Verwendung von Ruhetremor-Daten (links) und Posturaltremor-Daten (rechts).

Abbildung 8
Receiver-Operating-Charakteristik der Klassifikatoren unter Verwendung von Daten zum abwechselnden Fingerklopfen (links) und von Daten zum Zwicken der Finger (rechts).

Abbildung 9
Receiver Operating Characteristic der Klassifikatoren unter Verwendung von Gangdaten (links) und Gleichgewichtsdaten (rechts).

Insgesamt reichten die AUC-Werte der spezialisierten Klassifikatoren von 0,82 bis 0,88. Der Gleichgewichtstest erzielte mit 0,88 den höchsten AUC-Wert. Der Ensemble-Klassifikator, der eine Kombination aus Fragebogenantworten, Stimmvokalen, Ruhetremor, Gang- und Gleichgewichtsaktivitäten nutzte, erreichte eine PD-Vorhersagegenauigkeit von 0,9108 (Tabelle 7). Insgesamt bestätigten diese Ergebnisse die Gültigkeit der ausgewählten digitalen Marker sowie der mobilen Anwendung und des Testsystems für die Unterscheidung zwischen Personen mit und ohne Parkinson.

Tabelle 7

Die acht besten Aktivitätskombinationen erreichten bei der Auswertung von fünf zufällig ausgewählten Testsätzen die höchste mittlere Genauigkeit.

Aktivitätenanzahl Aktivitäten Genauigkeit des 10-fachen CV-Testsets, das 5 Mal zufällig ausgewählt wurde
Fragebogen Stimmsatz Stimmvokal Haltetremor Ruhetremor Gang Gleichgewicht Zweimaliges Antippen Zwicken-zu-Größe Mittelwert SD
5 ✓ ✓ ✓ ✓ ✓ 0.9108 0.012357
8 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ 0.9106 0.006148
8 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ 0.9094 0.011908
5 ✓ ✓ ✓ ✓ ✓ 0.9094 0.006285
8 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ 0.9046 0.010918
7 ✓ ✓ ✓ ✓ ✓ ✓ ✓ 0.9042 0.009391
8 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ 0.9032 0.013221
7 ✓ ✓ ✓ ✓ ✓ ✓ ✓ 0.9018 0.008849
Die Anzahl der Aktivitäten gibt die Anzahl der spezialisierten Klassifikatoren an, die für das Ensemble-Lernen verwendet werden. CV, Kreuzvalidierung; SD, Standardabweichung.

3. Diskussion

In diesem Artikel wird das Protokoll für die Parkinson-Risikoerhebung in Thailand beschrieben, mit der die Bevölkerung des Landes mithilfe einer digitalen Plattform auf frühe Anzeichen von Parkinson untersucht werden soll. Die Ergebnisse der Validierungstests haben gezeigt, dass die digitale Plattform, die aus einem Fragebogen zu den Symptomen und objektiven Tests zu einer Reihe von motorischen Aufgaben besteht, für das Screening der Bevölkerung sowohl in der Gemeinde als auch im Krankenhaus geeignet ist und dass sie zwischen Menschen mit und ohne Anzeichen von Parkinson unterscheiden kann. Die erste Feldstudie wurde im Januar 2024 in der Provinz Nakhon Sawan durchgeführt und die Umfrage wird in ganz Thailand auf alle Bürgerinnen und Bürger über 40 Jahre ausgeweitet. Die Datenerhebung bei einzelnen Bürgern, bei weiteren Feldtests in den Provinzen und bei Screening-Stationen in Krankenhäusern läuft noch. Die Daten aus der Umfrage werden verwendet, um Personen zu identifizieren, die entweder ein Prodromalstadium oder frühe Anzeichen einer klinischen Parkinson-Erkrankung aufweisen.

Die Identifizierung von Strategien, die den menschlichen Alterungsprozess verlangsamen und damit das Auftreten und die Auswirkungen der vielen chronischen, nicht übertragbaren Krankheiten, wie z. B. Morbus Parkinson, die mit dem fortgeschrittenen Alter einhergehen, verringern könnten, hätte zweifellos einen enormen gesellschaftlichen Nutzen und ist daher Gegenstand intensiver Forschung.

Zu den Lebensstilmaßnahmen, deren positiver Nutzen für die Gesundheit und die Krankheitsprävention untersucht wurde, gehören Bewegung, Ernährungsumstellung und Schlaf. Ein 8-wöchiges Behandlungsprogramm mit Ernährungs-, Bewegungs- und Schlafanweisungen wirkte sich bei gesunden Probanden nachweislich positiv auf die Alterungsparameter aus (148). Anhand der Analyse der DNA-Methylierungsmuster, einem anerkannten biochemischen Marker für das Alter, wurde das DNA-Alter der Teilnehmer/innen berechnet. Das Programm der Lebensstilinterventionen war mit einem statistisch signifikanten Rückgang des DNA-Alters der Teilnehmer um 3,23 Jahre im Vergleich zu den Kontrollpersonen verbunden, was eine mögliche Umkehrung des epigenetischen Alters darstellt.

In der Neurologie wurden verschiedene Lebensstilmaßnahmen auf ihre Fähigkeit hin untersucht, das Fortschreiten von Demenz zu verhindern oder zu verlangsamen und das Risiko für die Entwicklung von Alzheimer und anderen Krankheiten, einschließlich Parkinson, zu verringern, bei denen es zu einer Proteinansammlung kommt (149, 150). Eine systematische Literaturübersicht, in der Studien zu Lebensstilmaßnahmen mit mehreren Komponenten (Ernährung, körperliche Aktivität und kognitives Training) in Bezug auf die kognitiven Leistungen älterer Erwachsener, einschließlich derjenigen mit Demenzrisiko, ausgewertet wurden, ergab, dass diese Strategien positive Auswirkungen auf die Verhinderung oder Verzögerung des kognitiven Abbaus haben (151). Bei Morbus Parkinson wird vermutet, dass bei Patienten im Prodromal- oder Frühstadium relativ einfache Änderungen des Lebensstils, die sich auf eine gesunde Ernährung (EAT), mehr Bewegung (MOVE) und ausreichenden, qualitativ hochwertigen Schlaf (SLEEP) konzentrieren, eine günstigere und rechtzeitige Wirkung auf die Gesamtergebnisse haben könnten als das Warten auf die Behandlung einer etablierten Krankheit (12). Obwohl solche Maßnahmen stark von der Therapietreue der Patienten abhängen, sind sie relativ risikofrei und einfach umzusetzen.

Diejenigen, die in dieser ersten Phase des nationalen Screening-Programms als Prodromal-Parkinson-Patienten identifiziert wurden, werden dann in der zweiten Phase gezielt mit EAT, MOVE, SLEEP-Lebensstilinterventionen auf Einzelfallbasis unter der Leitung eines Neurologen behandelt, wobei die mittel- und langfristigen Ergebnisse überwacht werden. Um dies auf nationaler Ebene zu erreichen, planen wir, das bestehende Netzwerk der thailändischen Rotkreuzgesellschaft zu nutzen, das in allen Provinzen Thailands verfügbar ist, um die Durchführung und Überwachung der Maßnahmen zu erleichtern. Dieser Ansatz wurde vom ChulaPD-Team bei der Einführung eines Laserstocks für Morbus-Parkinson-Patienten mit Gangfehlern erfolgreich angewandt. Mithilfe dieses kollaborativen Netzwerks war es möglich, Laserstöcke an Patienten in ganz Thailand zu verteilen und einen sozialen Return on Investment von 2,17 zu erzielen (105, 152). Es ist jedoch klar, dass die Umsetzung solcher Maßnahmen in realen, bevölkerungsbasierten Umgebungen mit vielen Herausforderungen verbunden ist, nicht zuletzt mit der Einhaltung des vorgeschlagenen Programms, und jede Art von Maßnahme hat je nach den individuellen Umständen ihre Vor- und Nachteile (153). Außerdem ist es wahrscheinlich, dass der Umsetzungsprozess für Lebensstil-Interventionen an die lokalen Bedürfnisse und die Situation in den einzelnen Provinzen angepasst werden muss.

Im Folgenden werden die Belege für den Nutzen der oben genannten Lebensstilinterventionen bei neurologischen Erkrankungen zusammengefasst.

3.1. Essen

Verschiedene Ernährungsstile und die Einnahme von Nahrungsergänzungsmitteln wurden auf ihr Potenzial hin untersucht, die Entwicklung und das Fortschreiten von Parkinson zu verlangsamen und als Teil des Managements einer bereits bestehenden Krankheit zu dienen, obwohl die Daten hauptsächlich aus Beobachtungsstudien stammen (154-156). Das Interesse an „Lebensmitteln als Medizin“ und an der Frage, wie Nahrungsbestandteile, insbesondere pflanzliche Stoffe, die Degeneration dopaminerger Neuronen abschwächen, die α-Synuclein-Aggregation verringern und neuroinflammatorische Reaktionen bei Menschen mit Parkinson modulieren könnten, hat zugenommen (157, 158). Eine in Griechenland durchgeführte Studie untersuchte die Wahrscheinlichkeit einer Parkinson-Prodromalerkrankung in einer bevölkerungsbasierten Kohorte älterer Erwachsener anhand der MDS-Forschungskriterien und untersuchte den möglichen Zusammenhang mit dem Verzehr einer mediterranen Ernährung (159). Bei dieser Ernährungsweise liegt der Schwerpunkt auf dem Verzehr von ballaststoffreichem Gemüse, Obst, Kräutern, Nüssen, Bohnen und Vollkornprodukten sowie mäßigen Mengen an Milchprodukten, Geflügel, Eiern und Meeresfrüchten, aber wenig rotem Fleisch. Eine signifikant geringere Wahrscheinlichkeit für ein Prodromalstadium der Parkinson-Krankheit wurde bei Probanden beobachtet, die hohe Werte für die Einhaltung einer mediterranen Ernährung aufwiesen, und dies hing in erster Linie mit nicht-motorischen Merkmalen wie Depressionen, Verstopfung, Harnverhalten und Tagesschläfrigkeit zusammen. Bemerkenswert ist, dass die Probanden im höchsten Quartil der Adhärenz eine um 21 % geringere Wahrscheinlichkeit hatten, an einer Parkinson-Erkrankung zu erkranken, als die im niedrigsten Quartil der Adhärenz. Eine Analyse der Daten von über 47.000 Teilnehmern der Nurses‘ Health Study und der Health Professionals Follow-up Study in den USA ergab, dass die Einhaltung einer mediterranen Ernährung mit einer Verzögerung des Auftretens einiger nichtmotorischer Parkinson-Symptome verbunden war (160). Eine große Studie aus China mit über 71.000 Teilnehmern untersuchte den Zusammenhang zwischen der allgemeinen Qualität der Ernährung und den Prodromalmerkmalen der Parkinson-Krankheit (161). Die Qualität der Ernährung wurde anhand des modifizierten Alternative Healthy Eating Index und der alternativen Mittelmeerdiät (aMED) bewertet. Eine bessere Ernährungsqualität stand in Zusammenhang mit einer geringeren Wahrscheinlichkeit, an prodromalen Morbus Parkinson-Merkmalen wie Tagesmüdigkeit und Verstopfung zu leiden. Eine prospektive Beobachtungsstudie mit dem Titel „Complementary and Alternative Medicine (CAM) Care in PD“ (Komplementär- und Alternativmedizin), an der über 1.000 Personen teilnahmen, ergab, dass zu den Lebensmitteln, die mit einem geringeren Fortschreiten der Parkinson-Krankheit in Verbindung gebracht wurden, frisches Gemüse, frisches Obst, Nüsse und Samen, nicht gebratener Fisch und Olivenöl gehörten (162), was den Komponenten einer mediterranen Ernährung entspricht. Eine aktuelle systematische Übersichtsarbeit legt nahe, dass Flavonoide, die in Obst und pflanzlichen Lebensmitteln reichlich vorhanden sind, aufgrund ihrer antioxidativen Eigenschaften das Fortschreiten von Parkinson verhindern oder verlangsamen können (163). In Thailand wurde eine „Thai-Medi-Diät“ für Menschen mit Morbus Parkinson vorgeschlagen, die die anerkannten Vorteile der mediterranen Ernährung aufgreift, aber so angepasst wurde, dass sie lokale Zutaten enthält, die den einzigartigen Geschmack der thailändischen Küche beibehalten und für die thailändische Bevölkerung akzeptabel sind (158).

Die Bedeutung der bidirektionalen Kommunikation zwischen Darm und Gehirn, der so genannten Darm-Hirn-Achse, und die Zusammensetzung des Darmmikrobioms sind Gegenstand eines beträchtlichen Forschungsinteresses im Hinblick auf die Beziehung zu den pathologischen Mechanismen, die der Parkinson-Krankheit zugrunde liegen (164, 165). Es wird vermutet, dass Morbus Parkinson seinen Ursprung im Darm hat, was mit den Beobachtungen übereinstimmt, dass verschiedene Arten von gastrointestinalen Funktionsstörungen (z. B. Dysphagie und Verstopfung) zu den Vorboten von Morbus Parkinson gehören. Die Zusammensetzung der Darmmikrobiota von Menschen mit Morbus Parkinson ist durch einen Verlust an kurzkettigen Fettsäurebakterien und einen Anstieg der Lipopolysaccharidbakterien gekennzeichnet. Die Ernährung hat unweigerlich einen großen Einfluss auf die Zusammensetzung des Darmmikrobioms. Daten deuten darauf hin, dass die Bestandteile einer mediterranen Ernährung, einschließlich eines hohen Anteils an Ballaststoffen, Bioflavonoiden und Omega-3-Fettsäuren, positive Auswirkungen auf die Zusammensetzung des Darmmikrobioms und die Funktion der Darmzellen haben, was sich wiederum positiv auf das Gehirn auswirkt, u. a. durch entzündungshemmende und antioxidative Effekte (164, 166). Auch die Wiederherstellung des Darmmikrobioms durch Probiotika, Präbiotika oder andere Nahrungsergänzungsmittel könnte das Fortschreiten von Parkinson verlangsamen (167).

3.2. Bewege dich

Die am besten untersuchte Lebensstilmaßnahme hinsichtlich ihrer potenziell positiven Auswirkungen auf die Entwicklung von Parkinson und die Behandlung der frühen Krankheit ist körperliche Bewegung, insbesondere intensives Ausdauertraining (153, 168, 169). Die Mechanismen, die der Wirkung von Bewegung auf Morbus Parkinson zugrunde liegen, sind noch nicht vollständig geklärt, aber es ist bekannt, dass sie mit einer höheren Lebensqualität bei Morbus Parkinson-Patienten einhergeht und vermutlich zu schützenden und stimulierenden Effekten führt, die zu einer besseren funktionellen Effizienz in übergeordneten kognitiven Netzwerken führen (170). Die Verbesserung der Muskelkraft durch regelmäßige Bewegung verbessert auch das Gleichgewicht und die motorischen Funktionen. Körperliche Bewegung ist auch eine wirksame Strategie, um die motorischen Reserven zu stärken und die „neuronale Widerstandsfähigkeit“ zu entwickeln, so dass die Menschen besser in der Lage sind, mit der Neurodegeneration im Alter umzugehen (171).

Eines der histopathologischen Merkmale der Parkinson-Krankheit ist das Vorhandensein von Lewy-Körpern im Hirngewebe, die aus α-Synuclein-Aggregaten bestehen und vermutlich zum fortschreitenden Verlust dopaminerger Neuronen beitragen (172). Auf zellulärer Ebene haben Studien gezeigt, dass Sport die Autophagie anregen kann, einen Prozess, bei dem unerwünschte Produkte lysosomal abgebaut werden. Studien an Menschen mit Parkinson haben gezeigt, dass die durch Sport ausgelöste Autophagie die Anhäufung von toxischen α-Synuklein-Aggregaten verringern und damit das Fortschreiten der motorischen Symptome der Krankheit verzögern kann (173). Weitere vermutete Mechanismen für die Auswirkungen von Bewegung auf die Pathologie der Parkinson-Krankheit sind die Verringerung von Entzündungen und oxidativem Stress sowie die Verbesserung der Nervenregeneration und der Mitochondrienfunktion (174).

In der klinischen Praxis deutet vieles darauf hin, dass mäßige bis starke körperliche Betätigung eine schützende Wirkung gegen die Entwicklung von Parkinson haben kann (175, 176). Eine Studie hat auch gezeigt, dass das Maß an körperlicher Betätigung vor der Diagnose der Parkinson-Krankheit die motorischen Reserven verbessern kann, wenn die Krankheit erst einmal ausgebrochen ist, d. h., dass Patienten bei einem ähnlichen Grad an Dopaminabbau weniger motorische Defizite aufweisen (177). Mehrere Studien haben die Wirkung von Bewegung auf die Verlangsamung des Fortschreitens von Parkinson im Frühstadium untersucht. SPARX (Study in Parkinson Disease of Exercise) war eine multizentrische, randomisierte klinische Phase-2-Studie an Patienten mit de novo Parkinson, die noch keine Medikamente einnahmen, um die Auswirkungen von hochintensivem Laufbandtraining an vier Tagen pro Woche zu untersuchen (178). Dieses Training führte zu besseren motorischen Ergebnissen auf der Unified Parkinson’s Disease Rating Scale (UPDRS) im Vergleich zu Patienten, die sich nur mäßig oder gar nicht bewegten. SPARX3, eine multizentrische, randomisierte klinische Phase-3-Studie, untersucht derzeit, inwieweit hochintensives Ausdauertraining auf dem Laufband das Fortschreiten der Parkinson-Krankheit verlangsamen kann (179). Die Auswirkungen einer langfristigen Bewegungsintervention werden derzeit in der CYCLE II-Studie (Cyclical Lower Extremity Exercise for Parkinson Disease II) untersucht, einer randomisierten, kontrollierten Studie an zwei Standorten (180). Die Patienten werden nach dem Zufallsprinzip ausgewählt, ob sie 12 Monate lang dreimal pro Woche zu Hause auf einem Heimtrainer trainieren oder die übliche Behandlung in Anspruch nehmen. Die Veränderung des MDS-UPDRS-Motor-Scores in diesem Zeitraum wird bewertet und in den beiden Gruppen verglichen. Der aktuelle Konsens ist daher, dass Bewegung ein wesentlicher Bestandteil der anfänglichen Therapiestrategie für die frühe Parkinson-Krankheit sein sollte – das Konzept „Bewegung als Medizin“ – insbesondere Aerobic und Widerstandstraining (181), aber auch in der primären und sekundären Prävention (182).

3.3. Schlaf

Laut einer Stellungnahme der American Academy of Sleep Medicine (AASM) ist Schlaf von guter Qualität und in ausreichender Menge wichtig für die Gesundheit und das Wohlbefinden des Menschen (183). Schlafmangel oder Schlafstörungen, die den normalen zirkadianen Rhythmus des Körpers stören, können erhebliche negative Auswirkungen auf die körperliche und geistige Gesundheit haben (184). Auf zellulärer Ebene ist ausreichender Schlaf wichtig, um die Wiederherstellung, Regulierung und Reparatur wichtiger neuronaler Prozesse zu ermöglichen und eine gute kognitive Funktion zu gewährleisten. Inzwischen häufen sich die Hinweise darauf, dass schlechter Schlaf mit der Entstehung und dem Fortschreiten einiger chronischer Krankheiten wie Herz-Kreislauf-Erkrankungen und Alzheimer in Verbindung gebracht werden kann (184), so dass es wahrscheinlich ist, dass dies auch für Morbus Parkinson gilt. Ebenso sind Störungen des Schlafs und des zirkadianen Rhythmus als Schlüsselfaktoren für die Neurodegeneration bekannt, und ihr Auftreten in den frühen Stadien der Parkinson-Krankheit deutet auf eine ursächliche Rolle bei der Krankheitsentstehung hin (185). Präklinische Daten deuten darauf hin, dass die erholsame Wirkung des Schlafs auch auf den Abbau potenziell neurotoxischer Abfallprodukte zurückzuführen ist, die sich im Wachzustand im zentralen Nervensystem ansammeln (186). Da die AASM die wichtige bidirektionale Beziehung zwischen Schlaf, Gesundheit und Krankheit erkannt hat, empfiehlt sie, dass gesunder Schlaf ein Hauptziel für Aufklärungs- und Gesundheitsinitiativen sein sollte. Auch die American Heart Association führt die Schlafdauer als wichtigen Bestandteil ihrer „Life’s Essential 8“ als Maßstab für die kardiovaskuläre Gesundheit an (187). Eine kürzlich durchgeführte Überprüfung von Studien an Menschen mit leichter kognitiver Beeinträchtigung oder Alzheimer-Krankheit ergab, dass Schlafprobleme wie obstruktive Schlafapnoe sowie die Schlafdauer in einem starken pathophysiologischen Zusammenhang mit der Entwicklung von Demenz stehen (188). Eine Reihe kleinerer Studien deutet auch auf einen positiven Zusammenhang zwischen Schlaf und körperlicher Betätigung hin, da körperliche Betätigung die negativen Auswirkungen von schlechtem Schlaf auf die kognitiven Funktionen verringern kann und umgekehrt der Schlaf ein Mechanismus sein kann, durch den körperliche Betätigung die kognitiven Funktionen verbessern kann (189). Schlafprobleme sind häufige nichtmotorische Symptome der Parkinson-Krankheit und können sowohl im Prodromal- als auch im Frühstadium beobachtet werden (190). Die häufigsten Schlafstörungen sind Schlaflosigkeit, schlafbezogene Atmungsstörungen, übermäßige Tagesmüdigkeit, RBD und schlafbezogene Bewegungsstörungen wie das Restless-Legs-Syndrom (191). Wir wissen, dass RBD ein starker Prädiktor für spätere Parkinson-Erkrankungen ist (60, 62). Daher kann die frühzeitige Erkennung von Schlafproblemen bei älteren Menschen, insbesondere RBD, die Möglichkeit bieten, frühzeitig einzugreifen, um die Schlafstörung selbst zu behandeln und die Entwicklung von Parkinson zu verhindern. Zwar gibt es nur wenige Belege für direkte präventive Auswirkungen des Schlafs auf die Parkinson-Krankheit, aber es ist logisch, dass eine verbesserte Schlafqualität die Gesamtsymptome der Betroffenen verbessert und die Entwicklung/Progression der Parkinson-Krankheit möglicherweise verzögert.

Personen, bei denen das Erhebungsmodell für das Parkinson-Risiko frühe Anzeichen von Morbus Parkinson feststellt, werden zur klinischen Untersuchung an einen Neurologen überwiesen, der die Diagnose Morbus Parkinson über das Netzwerk der nationalen Gesundheitsbehörden und der thailändischen Rotkreuzgesellschaft bestätigt. Wird die Diagnose Morbus Parkinson bestätigt, werden die Betroffenen zur Behandlung gemäß ihrem Gesundheitsplan überwiesen (12).

Das für die Parkinson-Risikoerhebung entwickelte Modell kombiniert multimodale Merkmale mit einer maschinellen Lernanalyse sowohl der Fragebogenantworten als auch der Ergebnisse der objektiven Messung der Symptome, um einen zusammengesetzten Score für das Parkinson-Risiko zu erstellen. Dieser multimodale Ansatz wurde bereits mit hoher Genauigkeit für die präklinische Diagnose von Parkinson verwendet. Die Heterogenität von Datensätzen, die aus verschiedenen Quellen stammen, stellt zwar eine Herausforderung für den klassischen Ansatz der Datenanalyse und -interpretation dar, bietet aber auch neue Möglichkeiten, mit Hilfe von maschinellen Lernwerkzeugen wertvolle Informationen zu gewinnen. Die Datenbank der Parkinson’s Progression Markers Initiative (PPMI) ist ein gutes Beispiel dafür. Sie ist ein großes Archiv mit strukturierten und unstrukturierten Big Data (192) und zeigt, welch wichtige Informationen mit diesem Ansatz gewonnen werden können. Mithilfe von Werkzeugen des maschinellen Lernens wurden die PPMI-Daten von 401 Probanden mit dopaminergen Bildgebungsmarkern im Frühstadium der Parkinson-Krankheit zur Klassifizierung der frühen Parkinson-Krankheit verwendet (193). Der in dieser Studie verwendete SVM-Klassifikator ergab eine Genauigkeit von 96,40 % mit 97,03 % Sensitivität, 95,01 % Spezifität und 98,88 % Fläche unter der ROC-Kurve. In einer anderen Studie, die ebenfalls Daten aus der PPMI-Datenbank verwendete, wurde eine Diagnose anhand von acht verschiedenen Variablen erstellt, nämlich Alter, Geschlecht, Familienanamnese, Punktzahl im University of Pennsylvania Smell Inventory Test, Punktzahl im Montreal Cognitive Assessment, Punktzahl im RBD Screening Questionnaire, α-Synuclein-Spiegel im Liquor und SNCA rs356181 Polymorphismus (194). Mit einer AUC von 0,93 hatte das Modell eine hohe Genauigkeit bei der Erkennung von Parkinson im Frühstadium. Mehrere Berichte deuten darauf hin, dass digitale Modelle, die multidimensionale Daten integrieren, wie das Modell der Parkinson-Risikoerhebung, die Leistung der Parkinson-Vorhersage deutlich verbessern können (195, 196).

In unserer Studie wurde ein Bevölkerungsscreening mit digitaler Technologie durchgeführt, was mit gewissen Herausforderungen und Einschränkungen verbunden ist. Mit dem rasanten Anstieg des Einsatzes digitaler Technologien im Gesundheitswesen wird die digitale Gesundheitskompetenz, d. h. die Fähigkeit einer Person, mit Gesundheitsinformationen im Internet oder in anderen digitalen Formaten umzugehen, immer wichtiger. Allerdings ist die digitale Gesundheitskompetenz und die Kompetenz im Umgang mit diesen Instrumenten bei älteren Menschen, insbesondere in LMICs wie Thailand, oft gering (197, 198), was die Teilnahme an der Umfrage beeinträchtigen könnte. Im Gegensatz dazu nimmt die Nutzung von Smartphones und anderen digitalen Technologien bei älteren Menschen zu und hat Berichten zufolge positive Auswirkungen auf ihre selbst eingeschätzte Gesundheit (199). In Thailand ergab eine Umfrage zur Smartphone-Nutzung im Jahr 2022, dass rund 77,3 % der Befragten im Alter von 50 Jahren und älter ein Smartphone nutzten (200), was darauf hindeutet, dass die Einführung digitaler Vorsorgeuntersuchungen in Thailand durchaus möglich ist. Es ist auch klar, dass die in unserer Studie für die Datenanalyse verwendeten maschinellen Lernmodelle weiter trainiert werden müssen, um die Genauigkeit der Parkinson-Diagnose zu verbessern und vor allem um Überdiagnosen zu vermeiden. Weitere Studien werden nötig sein, um festzustellen, ob das Modell zwischen Parkinson und atypischen Parkinson-Erkrankungen unterscheiden kann. Derzeit kann das Modell in seiner jetzigen Version nicht zwischen Parkinson-Patienten und Patienten mit Prodromalerkrankungen unterscheiden, so dass unklar ist, ob Patienten mit Prodromalerkrankungen als Parkinson-Patienten oder als normale Personen eingestuft werden.

Obwohl die Parkinson-Risikoerhebung eine asiatische Initiative ist, werden die Daten aus dieser nationalen Studie zur Evidenzbasis für Präventionsstrategien weltweit beitragen. Der Austausch dieser Informationen und Erfahrungen ist ein wesentlicher Bestandteil der globalen Zusammenarbeit, die notwendig ist, um die Herausforderung der Parkinson-Krankheit zu meistern. Dieser Ansatz könnte auch als Modell für die Prävention anderer, nicht übertragbarer Krankheiten in den LMICs dienen. Das thailändische Gesundheitssystem wird von verschiedenen internationalen Organisationen, darunter der Global Health Security Index (12, 201-203), hoch eingestuft und ist daher in der Lage, die Herausforderung der Krankheitsprävention im Einklang mit den strategischen Zielen der WHO für die Gesundheit der Bevölkerung im Allgemeinen und für Parkinson im Besonderen anzunehmen (17, 41, 42).

Zusammenfassend lässt sich sagen, dass die digitale Plattform zur Erhebung des Parkinson-Risikos eine robuste, validierte Methode mit hoher Genauigkeit für ein nationales Screening der thailändischen Bevölkerung auf Anzeichen von Parkinson bietet. So kann rechtzeitig eingegriffen werden, um die Zahl der Fälle, die zu einer klinischen Parkinson-Erkrankung fortschreiten, zu minimieren, und diejenigen, bei denen eine Parkinson-Erkrankung im Frühstadium festgestellt wird, können wirksam behandelt werden. Eine groß angelegte Umsetzung ist möglich, wenn die verschiedenen Interessengruppen, die an der Behandlung von Parkinson beteiligt sind, eng zusammenarbeiten. Diese Ziele decken sich mit den Forderungen globaler Organisationen wie der WHO, die einen stärkeren Fokus auf Präventionsstrategien für Parkinson fordern, um den steilen Anstieg der Prävalenz einzudämmen. Wenn die Parkinson-Risikoerhebung erfolgreich durchgeführt wird, könnte sie als Modell für Screening-Strategien für andere nicht übertragbare Krankheiten in Thailand und anderswo dienen.

Ethische Erklärung

Diese Studie wurde von der Ethikkommission der Medizinischen Fakultät der Chulalongkorn Universität (Institutional Review Board Nr. 0804/65) genehmigt und gemäß den Grundsätzen der Deklaration von Helsinki durchgeführt. Die Teilnehmer/innen gaben ihre schriftliche Einwilligung zur Teilnahme an dieser Studie. Für die Veröffentlichung von identifizierbaren Bildern oder Daten in diesem Artikel wurde die schriftliche Zustimmung der Teilnehmer/innen eingeholt.

Beiträge der Autoren

RB: Konzeptualisierung, Datenpflege, Formale Analyse, Finanzierungsbeschaffung, Untersuchung, Methodik, Projektverwaltung, Ressourcen, Software, Aufsicht, Validierung, Visualisierung, Schreiben – ursprünglicher Entwurf, Schreiben – Überprüfung & Bearbeitung. JS: Konzeptualisierung, Datenbeschaffung, formale Analyse, Finanzierungsbeschaffung, Methodik, Validierung, Schreiben – Überprüfung & Bearbeitung. SP: Konzeptualisierung, Methodik, Projektverwaltung, Schreiben – Überprüfung & Bearbeitung. CA: Datenkuratierung, Methodik, Schreiben – Überprüfung & Bearbeitung. CT: Datenkuration, formale Analyse, Software, Validierung, Schreiben – Überprüfung und Bearbeitung. SD: Formale Analyse, Software, Validierung, Schreiben – Überprüfen & Redigieren. PP: Konzeptualisierung, Schreiben – Überarbeitung und Redaktion. OP: Konzeptualisierung, Schreiben – Überprüfung und Bearbeitung. SM: Konzeptualisierung, Schreiben – Überprüfen & Redigieren. VB: Konzeptualisierung, Schreiben – Überprüfung & Bearbeitung. TP: Konzeptualisierung, Schreiben – Überprüfung & Bearbeitung. RK: Konzeptualisierung, Schreiben – Überprüfung & Bearbeitung. PJ: Konzeptualisierung, Schreiben – ursprünglicher Entwurf. AChai: Konzeptualisierung, formale Analyse, Schreiben – Überprüfung & Bearbeitung. WJa: Konzeptualisierung, formale Analyse, Schreiben – Überprüfung & Bearbeitung. JM: Konzeptualisierung, formale Analyse, Schreiben – Überprüfung & Bearbeitung. AChan: Konzeptualisierung, formale Analyse, Schreiben – Überarbeitung & Redaktion. PR: Konzeptualisierung, formale Analyse, Schreiben – Überarbeitung & Redaktion. PhS: Konzeptualisierung, formale Analyse, Schreiben – Überarbeitung und Redaktion. WJi: Konzeptualisierung, formale Analyse, Schreiben – Überprüfung und Bearbeitung. MC: Konzeptualisierung, formale Analyse, Schreiben – Überarbeitung & Lektorat. YA: Konzeptualisierung, formale Analyse, Schreiben – Überarbeitung & Redaktion. CS: Konzeptualisierung, Projektverwaltung, Schreiben – Überprüfung & Bearbeitung. WS: Konzeptualisierung, Fördermittelakquise, Projektadministration, Schreiben – Überprüfung & Überarbeitung. GB: Fördermittelakquise, Projektadministration, Schreiben – Überprüfung & Überarbeitung. AP: Konzeptualisierung, Projektverwaltung, Schreiben – Überprüfung & Bearbeitung. PiS: Konzeptualisierung, Fördermittelakquise, Schreiben – Überprüfung & Bearbeitung. JV: Konzeptualisierung, Fördermittelakquise, Schreiben – Überarbeitung & Redaktion. TB: Konzeptualisierung, Fördermittelakquise, Betreuung, Schreiben – Überprüfung & Bearbeitung.

Danksagungen

Das Projekt zur Erhebung des Parkinson-Risikos wird von Ihrer Königlichen Hoheit Prinzessin Maha Chakri Sirindhorn, der Vizepräsidentin der thailändischen Rotkreuz-Gesellschaft, gewürdigt.

Finanzierungserklärung

Der/die Autor/in erklärt, dass er/sie finanzielle Unterstützung für die Forschung, die Autorenschaft und/oder die Veröffentlichung dieses Artikels erhalten hat. Das Projekt zur Erhebung des Parkinson-Risikos wird vom Thailand Science Research and Innovation Fundamental Fund (2567), dem Bildungs- und Forschungskomitee des Thailändischen Roten Kreuzes und einem Center of Excellence-Stipendium der Chulalongkorn University, Bangkok, Thailand (GCE 3300160003) finanziert.

Interessenkonflikt

Die Autorinnen und Autoren erklären, dass die Forschung in Abwesenheit jeglicher kommerzieller oder finanzieller Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.

Der/die Autor/in erklärt, dass er/sie zum Zeitpunkt der Einreichung Mitglied des Redaktionsausschusses von Frontiers war. Dies hatte keinen Einfluss auf das Peer-Review-Verfahren und die endgültige Entscheidung.

Anmerkung des Herausgebers

Alle in diesem Artikel geäußerten Behauptungen sind ausschließlich die der Autoren und stellen nicht notwendigerweise die der ihnen angeschlossenen Organisationen oder die des Herausgebers, der Redakteure und der Gutachter dar. Jedes Produkt, das in diesem Artikel bewertet wird, oder jede Behauptung, die von seinem Hersteller aufgestellt wird, wird vom Herausgeber nicht garantiert oder unterstützt.

Ergänzendes Material

Das ergänzende Material zu diesem Artikel findest du online unter: https://www.frontiersin.org/articles/10.3389/fneur.2024.1386608/full#supplementary-material

Referenzen

1. Kollaborateure GN. Globale, regionale und nationale Belastung durch neurologische Erkrankungen, 1990-2016: eine systematische Analyse für die Global Burden of Disease Study 2016. Lancet Neurol. (2019) 18:459-80. doi: 10.1016/S1474-4422(18)30499-X [PMC free article] [PubMed] [CrossRef] [Google Scholar]
2. Weltgesundheitsorganisation . Globale Gesundheitsschätzungen 2020: Krankheitslast nach Ursache, Alter, Geschlecht, Land und Region, 2000-2019. Genf: Weltgesundheitsorganisation; (2020). [Google Scholar]
3. Kollaborateure GPSD. Globale, regionale und nationale Belastung durch die Parkinson-Krankheit, 1990-2016: eine systematische Analyse für die Global Burden of Disease Study 2016. Lancet Neurol. (2018) 17:939-53. doi: 10.1016/S1474-4422(18)30295-3 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
4. Belvisi D, Pellicciari R, Fabbrini A, Costanzo M, Pietracupa S, De Lucia M, et al. Risikofaktoren der Parkinson-Krankheit: gleichzeitige Bewertung, Wechselwirkungen und ätiologische Subtypen. Neurology. (2020) 95:e2500-8. doi: 10.1212/WNL.0000000000010813, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
5. Ben-Shlomo Y, Darweesh S, Llibre-Guerra J, Marras C, San Luciano M, Tanner C. Die Epidemiologie der Parkinsonschen Krankheit. Lancet. (2024) 403:283-92. doi: 10.1016/S0140-6736(23)01419-8 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
6. De Miranda BR, Goldman SM, Miller GW, Greenamyre JT, Dorsey ER. Vorbeugung der Parkinson-Krankheit: eine Umweltagenda. J Parkinsons Dis. (2022) 12:45-68. doi: 10.3233/JPD-212922, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
7. Reynoso A, Torricelli R, Jacobs BM, Shi J, Aslibekyan S, Norcliffe-Kaufmann L, et al. Wechselwirkungen zwischen Genen und Umwelt bei der Parkinson-Krankheit. Ann Neurol. (2023) 95:677-87. doi: 10.1002/ana.26852 [PubMed] [CrossRef] [Google Scholar]
8. Rossi A, Berger K, Chen H, Leslie D, Mailman RB, Huang X. Projection of the prevalence of Parkinson’s disease in the coming decades: revisited. Mov Disord. (2018) 33:156-9. doi: 10.1002/mds.27063, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
9. Tanner CM, Kamel F, Ross GW, Hoppin JA, Goldman SM, Korell M, et al. Rotenon, Paraquat und die Parkinson-Krankheit. Environ Health Perspect. (2011) 119:866-72. doi: 10.1289/ehp.1002839, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
10. Bhidayasiri R. Alte Probleme, neue Lösungen: Nutzung von Technologie und Innovation bei der Parkinson-Krankheit – Erkenntnisse und Erfahrungen aus Thailand. J Neural Transm. (2024). doi: 10.1007/s00702-023-02727-1, PMID: . Online ahead of print. [PubMed] [CrossRef] [Google Scholar]
11. Payami H, Cohen G, Murchison CF, Sampson TR, Standaert DG, Wallen ZD. Der Anteil der Parkinson-Krankheit in der Bevölkerung, der auf vermeidbare Risikofaktoren zurückzuführen ist. NPJ Parkinsons Dis. (2023) 9:159. doi: 10.1038/s41531-023-00603-z, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
12. Ascherio A, Schwarzschild MA. Die Epidemiologie der Parkinsonschen Krankheit: Risikofaktoren und Prävention. Lancet Neurol. (2016) 15:1257-72. doi: 10.1016/S1474-4422(16)30230-7 [PubMed] [CrossRef] [Google Scholar]
13. Dorsey ER, Constantinescu R, Thompson JP, Biglan KM, Holloway RG, Kieburtz K, et al. Voraussichtliche Anzahl der Menschen mit Parkinson in den bevölkerungsreichsten Ländern, 2005 bis 2030. Neurology. (2007) 68:384-6. doi: 10.1212/01.wnl.0000247740.47667.03, PMID: [PubMed] [CrossRef] [Google Scholar]
14. Bhidayasiri R, Sringean J, Van Le T, Lim TT, Navuth C, Phoumindr A, et al. Bewegungsstörungen in Indochina: Herausforderungen bei den Ressourcen und zukünftige Lösungen. J Neural Transm (Wien). (2023b) 130:875-89. doi: 10.1007/s00702-023-02662-1, PMID: [PubMed] [CrossRef] [Google Scholar]
15. Schiess N, Cataldi R, Okun MS, Fothergill-Misbah N, Dorsey ER, Bloem BR, et al. Sechs Aktionsschritte zur Beseitigung globaler Ungleichheiten bei der Parkinson-Krankheit: eine Priorität der Weltgesundheitsorganisation. JAMA Neurol. (2022) 79:929-36. doi: 10.1001/jamaneurol.2022.1783, PMID: [PubMed] [CrossRef] [Google Scholar]
16. Ou Z, Pan J, Tang S, Duan D, Yu D, Nong H, et al. Globale Trends bei der Inzidenz, Prävalenz und den mit Behinderung gelebten Jahren der Parkinson-Krankheit in 204 Ländern/Gebieten von 1990 bis 2019. Front Public Health. (2021) 9:776847. doi: 10.3389/fpubh.2021.776847, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
17. Dahodwala N, Li P, Jahnke J, Ladage VP, Pettit AR, Kandukuri PL, et al. Belastung durch die Parkinson-Krankheit nach Schweregrad: Gesundheitskosten in der US-amerikanischen Medicare-Bevölkerung. Mov Disord. (2021) 36:133-42. doi: 10.1002/mds.28265, PMID: [PubMed] [CrossRef] [Google Scholar]
18. Hjalte F, Norlin JM, Kellerborg K, Odin P. Parkinson’s disease in Sweden – resource use and costs by severity. Acta Neurol Scand. (2021) 144:592-9. doi: 10.1111/ane.13502, PMID: [PubMed] [CrossRef] [Google Scholar]
19. Tarolli CG, Zimmerman GA, Auinger P, Mcintosh S, Horowitz RK, Kluger BM, et al. Symptombelastung bei Menschen mit Parkinson-Krankheit: eine nationale Umfrage. Neurol Clin Pract. (2020) 10:65-72. doi: 10.1212/CPJ.0000000000000746, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
20. Chaudhuri KR, Azulay JP, Odin P, Lindvall S, Domingos J, Alobaidi A, et al. Die wirtschaftliche Belastung durch die Parkinson-Krankheit: Eine multinationale, reale Studie zu den Krankheitskosten. Drugs Real World Outcomes. (2024) 11:1-11. doi: 10.1007/s40801-023-00410-1 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
21. Findley LJ, Wood E, Lowin J, Roeder C, Bergman A, Schifflers M. The economic burden of advanced Parkinson’s disease: an analysis of a UK patient dataset. J Med Econ. (2011) 14:130-9. doi: 10.3111/13696998.2010.551164, PMID: [PubMed] [CrossRef] [Google Scholar]
22. Martinez-Martin P, Macaulay D, Jalundhwala YJ, Mu F, Ohashi E, Marshall T, et al. Die langfristige direkte und indirekte wirtschaftliche Belastung von Parkinson-Pflegebedürftigen in den USA. Mov Disord. (2019) 34:236-45. doi: 10.1002/mds.27579, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
23. Mosley PE, Moodie R, Dissanayaka N. Caregiver burden in Parkinson Disease: a critical review of recent literature. J Geriatr Psychiatry Neurol. (2017) 30:235-52. doi: 10.1177/0891988717720302, PMID: [PubMed] [CrossRef] [Google Scholar]
24. Pokpermdee P, Mekbunditkul T. Level-Kategorisierung von gesundheitsfördernden Krankenhäusern in Unterbezirken in Thailand, 2017. J Health Sci. (2020) 29:323-31. [Google Scholar]
25. Bhidayasiri R, Phokaewvarangkul O, Sakdisornchai K, Boonpang K, Chaudhuri KR, Parsons J, et al. Einführung der Apomorphin-Behandlung in Thailand: Die Herausforderungen und Chancen der Parkinson-Behandlung in Entwicklungsländern. Expert Rev Neurother. (2020a) 20:523-37. doi: 10.1080/14737175.2020.1770598, PMID: [PubMed] [CrossRef] [Google Scholar]
26. Rees RN, Acharya AP, Schrag A, Noyce AJ. Eine frühe Diagnose ist nicht dasselbe wie eine rechtzeitige Diagnose der Parkinson-Krankheit. F1000Res. (2018) 7:1. doi: 10.12688/f1000research.14528.1 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
27. Adler CH, Beach TG, Zhang N, Shill HA, Driver-Dunckley E, Mehta SH, et al. Klinische Diagnosegenauigkeit der frühen/fortgeschrittenen Parkinson-Krankheit: eine aktualisierte klinisch-pathologische Studie. Neurol Clin Pract. (2021) 11:e414-21. doi: 10.1212/CPJ.0000000000001016, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
28. Rizzo G, Copetti M, Arcuti S, Martino D, Fontana A, Logroscino G. Genauigkeit der klinischen Diagnose der Parkinson-Krankheit: eine systematische Überprüfung und Meta-Analyse. Neurology. (2016) 86:566-76. doi: 10.1212/WNL.0000000000002350 [PubMed] [CrossRef] [Google Scholar]
29. Khan AZ, Lavu D, Neal R. Parkinson’s disease: a scoping review of the quantitative and qualitative evidence of its diagnostic accuracy in primary care. Br J Gen Pract. (2023) 74:e227. doi: 10.3399/BJGP.2023.0409 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
30. Mehanna R, Smilowska K, Fleisher J, Post B, Hatano T, Pimentel Piemonte ME, et al. Altersgrenze für das frühe Auftreten der Parkinson-Krankheit: Empfehlungen der Arbeitsgruppe der International Parkinson and Movement Disorder Society für das frühe Auftreten der Parkinson-Krankheit. Mov Disord Clin Pract. (2022) 9:869-78. doi: 10.1002/mdc3.13523 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
31. Fothergill-Misbah N. The lived experience of stigma and parkinson’s disease in Kenya: a public health challenge. BMC Public Health. (2023) 23:364. doi: 10.1186/s12889-023-15278-7, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
32. Bhidayasiri R, Virameteekul S, Sukoandari B, Tran TN, Lim TT. Herausforderungen der Parkinson-Versorgung in Südostasien In: Riederer P, Laux G, Nagatsu T, Le W, Riederer C, Editors. NeuroPsychopharmakotherapie. Cham: Springer International Publishing; (2020b). 1-21. [Google Scholar]
33. Lim SY, Tan AH, Ahmad-Annuar A, Klein C, Tan LCS, Rosales RL, et al. Parkinson-Krankheit in der westpazifischen Region. Lancet Neurol. (2019) 18:865-79. doi: 10.1016/S1474-4422(19)30195-4, PMID: [PubMed] [CrossRef] [Google Scholar]
34. Munoz DA, Kilinc MS, Nembhard HB, Tucker C, Huang X. Evaluierung der Kosteneffizienz einer Früherkennung der Parkinson-Krankheit durch innovative Technologie. Eng Econ. (2017) 62:180-96. doi: 10.1080/0013791X.2017.1294718, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
35. Boon P, Lescrauwaet E, Aleksovska K, Konti M, Berger T, Leonardi M, et al. Eine strategische neurologische Forschungsagenda für Europa: Auf dem Weg zu klinisch relevanten und patientenzentrierten neurologischen Forschungsprioritäten. Eur J Neurol. (2023) 31:e16171. doi: 10.1111/ene.16171 [PubMed] [CrossRef] [Google Scholar]
36. Weltgesundheitsorganisation . Optimierung der Gesundheit des Gehirns über den gesamten Lebensverlauf: WHO-Positionspapier. Genf: Weltgesundheitsorganisation; (2022a). [Google Scholar]
37. Weltgesundheitsorganisation . Parkinson-Krankheit: Ein Ansatz für die öffentliche Gesundheit. Technical brief. Genf: Weltgesundheitsorganisation; (2022b). [Google Scholar]
38. Angelopoulou E, Paudel YN, Papageorgiou SG, Piperi C. Environmental impact on the epigenetic mechanisms underlying Parkinson’s Disease pathogenesis: a narrative review. Brain Sci. (2022) 12:175. doi: 10.3390/brainsci12020175, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
39. Castilhos RM, Snitz BE. Längsschnittliche kognitive Verschlechterung in Studien zur Prävention der Alzheimer-Krankheit: ein Test der Zeit. Neurology. (2024) 102:e208067. doi: 10.1212/WNL.0000000000208067, PMID: [PubMed] [CrossRef] [Google Scholar]
40. Fereshtehnejad SM, Yao C, Pelletier A, Montplaisir JY, Gagnon JF, Postuma RB. Entwicklung der Parkinson-Prodromalerkrankung und der Demenz mit Lewy-Körperchen: eine prospektive Studie. Brain. (2019) 142:2051-67. doi: 10.1093/brain/awz111, PMID: [PubMed] [CrossRef] [Google Scholar]
41. Roos DS, Klein M, Deeg DJH, Doty RL, Berendse HW. Prävalenz von Prodromalsymptomen der Parkinson-Krankheit in der Bevölkerung im späten mittleren Alter. J Parkinsons Dis. (2022) 12:967-74. doi: 10.3233/JPD-213007, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
42. Mahlknecht P, Marini K, Werkmann M, Poewe W, Seppi K. Prodromal Parkinson’s disease: hype or hope for disease-modification trials? Transl Neurodegener. (2022) 11:1. doi: 10.1186/s40035-022-00286-1, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
43. Dawson VL, Dawson TM. Vielversprechende krankheitsmodifizierende Therapien für die Parkinson-Krankheit. Sci Transl Med. (2019) 11:1659. doi: 10.1126/scitranslmed.aba1659 [PubMed] [CrossRef] [Google Scholar]
44. Vijiaratnam N, Simuni T, Bandmann O, Morris HR, Foltynie T. Progress towards therapies for disease modification in Parkinson’s disease. Lancet Neurol. (2021) 20:559-72. doi: 10.1016/S1474-4422(21)00061-2, PMID: [PubMed] [CrossRef] [Google Scholar]
45. Burton A. Braucht die Neurologie eine schnellere FDA? Lancet Neurol. (2014) 13:760-1. doi: 10.1016/S1474-4422(14)70162-0, PMID: [PubMed] [CrossRef] [Google Scholar]
46. Berg D, Crotty GF, Keavney JL, Schwarzschild MA, Simuni T, Tanner C. Path to Parkinson Disease prevention: conclusion and outlook. Neurologie. (2022) 99:76-83. doi: 10.1212/WNL.0000000000200793, PMID: [PubMed] [CrossRef] [Google Scholar]
47. Crotty GF, Keavney JL, Alcalay RN, Marek K, Marshall GA, Rosas HD, et al. Planung für die Prävention der Parkinson-Krankheit: Jetzt ist die Zeit dafür. Neurologie. (2022) 99:1-9. doi: 10.1212/WNL.0000000000200789, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
48. Crotty GF, Schwarzschild MA. Was soll in Studien zur Prävention der Parkinson-Krankheit getestet werden? Wiederverwendete, risikoarme und auf Gene abzielende Medikamente. Neurologie. (2022) 99:34-41. doi: 10.1212/WNL.0000000000200238, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
49. Molsberry SA, Hughes KC, Schwarzschild MA, Ascherio A. Who to enroll in Parkinson Disease prevention trials? Das Argument für zusammengesetzte Prodromalkohorten. Neurologie. (2022) 99:26-33. doi: 10.1212/WNL.0000000000200788, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
50. Bhidayasiri R, Wannachai N, Limpabandhu S, Choeytim S, Suchonwanich Y, Tananyakul S, et al. Ein nationales Register zur Bestimmung der Verbreitung und Prävalenz der Parkinson-Krankheit in Thailand: Auswirkungen von Urbanisierung und Pestiziden als Risikofaktoren für die Parkinson-Krankheit. Neuroepidemiologie. (2011) 37:222-30. doi: 10.1159/000334440, PMID: [PubMed] [CrossRef] [Google Scholar]
51. Heinzel S, Berg D, Gasser T, Chen H, Yao C, Postuma RB. Aktualisierung der MDS-Forschungskriterien für die Parkinson-Krankheit im Anfangsstadium. Mov Disord. (2019) 34:1464-70. doi: 10.1002/mds.27802, PMID: [PubMed] [CrossRef] [Google Scholar]
52. Postuma RB, Berg D. Prodromale Parkinson-Krankheit: das vergangene Jahrzehnt, das kommende Jahrzehnt. Mov Disord. (2019) 34:665-75. doi: 10.1002/mds.27670, PMID: [PubMed] [CrossRef] [Google Scholar]
53. Rajan S, Kaas B. Parkinson’s Disease: risk factor modification and prevention. Semin Neurol. (2022) 42:626-38. doi: 10.1055/s-0042-1758780, PMID: [PubMed] [CrossRef] [Google Scholar]
54. Berg D, Postuma RB, Adler CH, Bloem BR, Chan P, Dubois B, et al. MDS-Forschungskriterien für die Parkinson-Krankheit im Anfangsstadium. Mov Disord. (2015) 30:1600-11. doi: 10.1002/mds.26431 [PubMed] [CrossRef] [Google Scholar]
55. Schrag A, Horsfall L, Walters K, Noyce A, Petersen I. Prediagnostic presentations of Parkinson’s disease in primary care: a case-control study. Lancet Neurol. (2015) 14:57-64. doi: 10.1016/S1474-4422(14)70287-X, PMID: [PubMed] [CrossRef] [Google Scholar]
56. Schrag A, Anastasiou Z, Ambler G, Noyce A, Walters K. Predicting diagnosis of Parkinson’s disease: a risk algorithm based on primary care presentations. Mov Disord. (2019) 34:480-6. doi: 10.1002/mds.27616, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
57. Fereshtehnejad SM, Montplaisir JY, Pelletier A, Gagnon JF, Berg D, Postuma RB. Validierung der MDS-Forschungskriterien für die prodromale Parkinson-Krankheit: Längsschnittuntersuchung in einer Kohorte mit REM-Schlaf-Verhaltensstörung (RBD). Mov Disord. (2017) 32:865-73. doi: 10.1002/mds.26989, PMID: [PubMed] [CrossRef] [Google Scholar]
58. Giagkou N, Maraki MI, Yannakoulia M, Kosmidis MH, Dardiotis E, Hadjigeorgiou GM, et al. Eine prospektive Validierung der aktualisierten Forschungskriterien der Movement Disorders Society für prodromale Parkinson-Krankheit. Mov Disord. (2020) 35:1802-9. doi: 10.1002/mds.28145, PMID: [PubMed] [CrossRef] [Google Scholar]
59. Postuma RB, Pelletier A, Berg D, Gagnon JF, Escudier F, Montplaisir J. Screening for prodromal Parkinson’s disease in the general community: a sleep-based approach. Sleep Med. (2016) 21:101-5. doi: 10.1016/j.sleep.2015.12.016, PMID: [PubMed] [CrossRef] [Google Scholar]
60. Noyce AJ, Bestwick JP, Silveira-Moriyama L, Hawkes CH, Knowles CH, Hardy J, et al. PREDICT-PD: Identifizierung des Parkinson-Risikos in der Bevölkerung: Methoden und Ausgangsergebnisse. J Neurol Neurosurg Psychiatry. (2014) 85:31-7. doi: 10.1136/jnnp-2013-305420, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
61. Noyce AJ, R’bibo L, Peress L, Bestwick JP, Adams-Carr KL, Mencacci NE, et al. PREDICT-PD: ein Online-Ansatz zur prospektiven Ermittlung von Risikoindikatoren für die Parkinson-Krankheit. Mov Disord. (2017) 32:219-26. doi: 10.1002/mds.26898, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
62. Chahine LM, Stern MB, Chen-Plotkin A. Blutbasierte Biomarker für die Parkinson-Krankheit. Parkinsonism Relat Disord. (2014) 20:S99-S103. doi: 10.1016/S1353-8020(13)70025-7, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
63. Hall S, Surova Y, Ohrfelt A, Zetterberg H, Lindqvist D, Hansson O. CSF Biomarker und klinischer Verlauf der Parkinson-Krankheit. Neurology. (2015) 84:57-63. doi: 10.1212/WNL.0000000000001098, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
64. Saeed U, Lang AE, Masellis M. Neuroimaging advances in Parkinson’s Disease and atypical parkinsonian syndromes. Front Neurol. (2020) 11:976. doi: 10.3389/fneur.2020.572976, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
65. Ngoc Dinh M, Nygate J, Hoang Minh Tu V, Thwaites CL, Global Grand Challenges Event Vietnam, G . Neue Technologien zur Verbesserung der Gesundheitsversorgung in Ländern mit niedrigem und mittlerem Einkommen: Global Grand Challenges Satellite Event, Oxford University Clinical Research Unit, Ho Chi Minh City, 17. und 18. September 2019. Wellcome Open Res. (2020) 5:142. doi: 10.12688/wellcomeopenres.16008.2, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
66. Mccool J, Dobson R, Muinga N, Paton C, Pagliari C, Agawal S, et al. Faktoren, die die Nachhaltigkeit digitaler Gesundheitsmaßnahmen in ressourcenarmen Gebieten beeinflussen: Erfahrungen aus fünf Ländern. J Glob Health. (2020) 10:020396. doi: 10.7189/jogh.10.020396, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
67. Duggal M, El Ayadi A, Duggal B, Reynolds N, Bascaran C. Editorial: challenges in implementing digital health in public health settings in low and middle income countries. Front Public Health. (2022) 10:1090303. doi: 10.3389/fpubh.2022.1090303 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
68. Mirelman A, Dorsey ER, Brundin P, Bloem BR. Der Einsatz von Technologie zur Neugestaltung der klinischen Versorgung und der Forschung im Bereich der Parkinson-Krankheit. J Parkinsons Dis. (2021) 11:S1-3. doi: 10.3233/JPD-219002, PMID: [PubMed] [CrossRef] [Google Scholar]
69. Mccool J, Dobson R, Whittaker R, Paton C. Mobile Gesundheit (mHealth) in Ländern mit niedrigem und mittlerem Einkommen. Annu Rev Public Health. (2022) 43:525-39. doi: 10.1146/annurev-publhealth-052620-093850 [PubMed] [CrossRef] [Google Scholar]
70. Adams JL, Lizarraga KJ, Waddell EM, Myers TL, Jensen-Roberts S, Modica JS, et al. Digitale Technologie bei Bewegungsstörungen: Updates, Anwendungen und Herausforderungen. Curr Neurol Neurosci Rep. (2021) 21:16. doi: 10.1007/s11910-021-01101-6, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
71. Dhanalakshmi S, Maanasaa RS, Maalikaa RS, Senthil R. A review of emergent intelligent systems for the detection of Parkinson’s disease. Biomed Eng Lett. (2023) 13:591-612. doi: 10.1007/s13534-023-00319-2, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
72. Ellis TD, Earhart GM. Digitale Therapeutika bei der Parkinson-Krankheit: praktische Anwendungen und zukünftiges Potenzial. J Parkinsons Dis. (2021) 11:S95-S101. doi: 10.3233/JPD-202407, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
73. Adams JL, Kangarloo T, Tracey B, O’donnell P, Volfson D, Latzman RD, et al. Einsatz einer Smartwatch und eines Smartphones zur Beurteilung der frühen Parkinson-Krankheit in der WATCH-PD-Studie. NPJ Parkinsons Dis. (2023) 9:64. doi: 10.1038/s41531-023-00497-x [PMC free article] [PubMed] [CrossRef] [Google Scholar]
74. Arora S, Baig F, Lo C, Barber TR, Lawton MA, Zhan A, et al. Motorische Smartphone-Tests zur Unterscheidung von idiopathischer REM-Schlaf-Verhaltensstörung, Kontrollen und Parkinson. Neurology. (2018) 91:e1528-38. doi: 10.1212/WNL.0000000000006366, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
75. Arora S, Venkataraman V, Zhan A, Donohue S, Biglan KM, Dorsey ER, et al. Erkennen und Überwachen der Symptome der Parkinson-Krankheit mit Smartphones: eine Pilotstudie. Parkinsonism Relat Disord. (2015) 21:650-3. doi: 10.1016/j.parkreldis.2015.02.026, PMID: [PubMed] [CrossRef] [Google Scholar]
76. Schalkamp AK, Peall KJ, Harrison NA, Sandor C. Wearable movement-tracking data identify Parkinson’s disease years before clinical diagnosis. Nat Med. (2023) 29:2048-56. doi: 10.1038/s41591-023-02440-2, PMID: [PubMed] [CrossRef] [Google Scholar]
77. Zhan A, Mohan S, Tarolli C, Schneider RB, Adams JL, Sharma S, et al. Einsatz von Smartphones und maschinellem Lernen zur Quantifizierung des Schweregrads der Parkinson-Krankheit: der Mobile Parkinson Disease Score. JAMA Neurol. (2018) 75:876-80. doi: 10.1001/jamaneurol.2018.0809, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
78. Lipsmeier F, Taylor KI, Kilchenmann T, Wolf D, Scotland A, Schjodt-Eriksen J, et al. Evaluierung von Smartphone-basierten Tests zur Erstellung von explorativen Ergebnismessungen in einer klinischen Phase-1-Studie zur Parkinson-Krankheit. Mov Disord. (2018) 33:1287-97. doi: 10.1002/mds.27376 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
79. Pittman B, Ghomi RH, Si D. Parkinson’s Disease classification of mPower walking activity participants. Annu Int Conf IEEE Eng Med Biol Soc. (2018) 2018:4253-6. doi: 10.1109/EMBC.2018.8513409, PMID: [PubMed] [CrossRef] [Google Scholar]
80. Zhang H, Deng K, Li H, Albin RL, Guan Y. Deep Learning identifiziert digitale Biomarker für die selbstberichtete Parkinson-Krankheit. Patterns. (2020) 1:100042. doi: 10.1016/j.patter.2020.100042 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
81. Despotovic V, Skovranek T, Schommer C. Sprachbasierte Schätzung der Parkinson-Krankheit unter Verwendung von Gaußschen Prozessen und automatischer Relevanzbestimmung. Neurocomputing. (2020) 401:173-81. doi: 10.1016/j.neucom.2020.03.058 [CrossRef] [Google Scholar]
82. Singh S, Xu W. Robuste Erkennung der Parkinson-Krankheit anhand gesammelter Smartphone-Sprachdaten: ein telemedizinischer Ansatz. Telemed J E Health. (2020) 26:327-34. doi: 10.1089/tmj.2018.0271, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
83. Lopez-Blanco R, Velasco MA, Mendez-Guerrero A, Romero JP, Del Castillo MD, Serrano JI, et al. Quantifizierung des essentiellen Tremors durch die kombinierte Nutzung eines Smartphones und einer Smartwatch: die NetMD-Studie. J Neurosci Methods. (2018) 303:95-102. doi: 10.1016/j.jneumeth.2018.02.015 [PubMed] [CrossRef] [Google Scholar]
84. Surangsrirat D, Thanawattano C, Pongthornseri R, Dumnin S, Anan C, Bhidayasiri R. Support vector machine classification of Parkinson’s disease and essential tremor subjects based on temporal fluctuation. Annu Int Conf IEEE Eng Med Biol Soc. (2016) 2016:6389-92. doi: 10.1109/EMBC.2016.7592190, PMID: [PubMed] [CrossRef] [Google Scholar]
85. Adams WR. Hochpräzise Erkennung von Parkinson im Frühstadium anhand mehrerer Merkmale der Fingerbewegung beim Tippen. PLoS One. (2017) 12:e0188226. doi: 10.1371/journal.pone.0188226, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
86. Panyakaew P, Duangjino K, Kerddonfag A, Ploensin T, Piromsopa K, Kongkamol C, et al. Erforschung des komplexen Phänotyps der eingeschränkten Fingerfertigkeit bei leichter bis mittelschwerer Parkinson-Krankheit: eine Zeitserienanalyse. J Parkinsons Dis. (2023) 13:975-88. doi: 10.3233/JPD-230029, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
87. Prince J, Andreotti F, De Vos M. Multi-source ensemble learning for the remote prediction of Parkinson’s Disease in the presence of source-wise missing data. IEEE Trans Biomed Eng. (2019) 66:1402-11. doi: 10.1109/TBME.2018.2873252, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
88. Butler J, Watermeyer TJ, Matterson E, Harper EG, Parra-Rodriguez M. Die Entwicklung und Validierung eines digitalen Biomarkers für die Fernbewertung des Alzheimer-Risikos. Digit Health. (2024) 10:20552076241228416. doi: 10.1177/20552076241228416, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
89. Tomaszewski Farias S, Fox J, Dulaney H, Chan M, Namboodiri S, Harvey DJ, et al. Gedächtnistraining und Änderungen des Lebensstils zur Förderung eines gesunden Alterns bei Personen mit Alzheimer-Risiko: eine durch digitale Anwendungen unterstützte Intervention (brain boosters). BMC Geriatr. (2023) 23:881. doi: 10.1186/s12877-023-04574-x, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
90. Bhidayasiri R, Sringean J, Anan C, Boonpang K, Thanawattano C, Ray Chaudhuri K. Quantitativer Nachweis der Wirksamkeit der nächtlichen Apomorphin-Infusion zur Behandlung der nächtlichen Hypokinese bei Morbus Parkinson mithilfe von tragbaren Sensoren. Parkinsonism Relat Disord. (2016a) 33:S36-41. doi: 10.1016/j.parkreldis.2016.11.016, PMID: [PubMed] [CrossRef] [Google Scholar]
91. Bhidayasiri R, Sringean J, Taechalertpaisarn P, Thanawattano C. Capturing nighttime symptoms in Parkinson disease: technical development and experimental verification of inertial sensors for nocturnal hypokinesia. J Rehabil Res Dev. (2016b) 53:487-98. doi: 10.1682/JRRD.2015.04.0062, PMID: [PubMed] [CrossRef] [Google Scholar]
92. Bhidayasiri R, Sringean J, Thanawattano C. Sensorgestützte Bewertung und Behandlung der nächtlichen Hypokinese bei Parkinson: eine evidenzbasierte Übersicht. Parkinsonism Relat Disord. (2016c) 22:S127-33. doi: 10.1016/j.parkreldis.2015.09.049, PMID: [PubMed] [CrossRef] [Google Scholar]
93. Sringean J, Anan C, Thanawattano C, Bhidayasiri R. Zeit für eine Strategie in der nächtlichen dopaminergen Therapie? Eine objektive sensorbasierte Analyse der nächtlichen Hypokinese und der Schlafpositionen bei Morbus Parkinson. J Neurol Sci. (2017) 373:244-8. doi: 10.1016/j.jns.2016.12.045, PMID: [PubMed] [CrossRef] [Google Scholar]
94. Sringean J, Thanawattano C, Bhidayasiri R. Technological evaluation of strategies to get out of bed by people with Parkinson’s disease: insights from multisite wearable sensors. Front Med Technol. (2022) 4:922218. doi: 10.3389/fmedt.2022.922218, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
95. Bhidayasiri R, Prasertpan T, Tinazzi M. Einbindung verschiedener Interessengruppen zur Entwicklung einer großartigen digitalen Hilfstechnologie, die Parkinson-Patienten lieben, schätzen und nutzen, um motorische Aspekte des täglichen Lebens zu verbessern In: Bhidayasiri R, Maetzler W, editors. Handbook of digital Technologies in Movement Disorders. Elsevier: Academic Press; (2024) [Google Scholar]
96. Jitkritsadakul O, Thanawattano C, Anan C, Bhidayasiri R. Tremor’s glove-an innovative electrical muscle stimulation therapy for intractable tremor in Parkinson’s disease: a randomized sham-controlled trial. J Neurol Sci. (2017) 381:331-40. doi: 10.1016/j.jns.2017.08.3246, PMID: [PubMed] [CrossRef] [Google Scholar]
97. Postuma RB, Berg D, Stern M, Poewe W, Olanow CW, Oertel W, et al. Klinische Diagnosekriterien des MDS für die Parkinson-Krankheit. Mov Disord. (2015) 30:1591-601. doi: 10.1002/mds.26424 [PubMed] [CrossRef] [Google Scholar]
98. Chan DK, Hung WT, Wong A, Hu E, Beran RG. Validierung eines Screening-Fragebogens für Parkinsonismus in Australien. J Neurol Neurosurg Psychiatry. (2000) 69:117-20. doi: 10.1136/jnnp.69.1.117, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
99. Fereshtehnejad SM, Shafieesabet M, Rahmani A, Farhadi F, Hadizadeh H, Shahidi GA, et al. Ein neuer 6-Punkte-Fragebogen zur Früherkennung von Parkinsonismus: Validierung und Vergleich verschiedener Instrumente. Neuroepidemiologie. (2014) 43:178-93. doi: 10.1159/000368167, PMID: [PubMed] [CrossRef] [Google Scholar]
100. Kim JH, Cheong HK, Lee CS, Yi SE, Park KW. Die Gültigkeit und Zuverlässigkeit eines Screening-Fragebogens für die Parkinson-Krankheit in einer Gemeinde. J Prev Med Public Health. (2010) 43:9-17. doi: 10.3961/jpmph.2010.43.1.9, PMID: [PubMed] [CrossRef] [Google Scholar]
101. Mutch WJ, Smith WC, Scott RF. Ein Screening- und Alarmierungsfragebogen für Parkinsonismus. Neuroepidemiologie. (1991) 10:150-6. doi: 10.1159/000110261, PMID: [PubMed] [CrossRef] [Google Scholar]
102. Muangpaisan W, Siritipakorn P, Assantachai P. Entwicklung eines thailändischen Screening-Tools für die Parkinson-Krankheit und die Prävalenz von Parkinsonismus und Parkinson-Krankheit, basierend auf einer Umfrage in Bangkok. Neuroepidemiology. (2017) 49:74-81. doi: 10.1159/000480510, PMID: [PubMed] [CrossRef] [Google Scholar]
103. Setthawatcharawanich S, Sathirapanya P, Phabphal K, Limapichat K. Short questionnaire for Parkinson’s disease as a screening instrument. Clin Neurol Neurosurg. (2011) 113:885-8. doi: 10.1016/j.clineuro.2011.07.001 [PubMed] [CrossRef] [Google Scholar]
104. Armstrong MJ, Litvan I, Lang AE, Bak TH, Bhatia KP, Borroni B, et al. Kriterien für die Diagnose der kortikobasalen Degeneration. Neurology. (2013) 80:496-503. doi: 10.1212/WNL.0b013e31827f0fd1, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
105. Bhidayasiri R, Sringean J, Reich SG, Colosimo C. Red flags phenotyping: a systematic review on clinical features in atypical parkinsonian disorders. Parkinsonism Relat Disord. (2019b) 59:82-92. doi: 10.1016/j.parkreldis.2018.10.009, PMID: [PubMed] [CrossRef] [Google Scholar]
106. Hoglinger GU, Respondek G, Stamelou M, Kurz C, Josephs KA, Lang AE, et al. Klinische Diagnose der progressiven supranukleären Lähmung: die Kriterien der Movement Disorder Society. Mov Disord. (2017) 32:853-64. doi: 10.1002/mds.26987 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
107. Mckeith IG, Boeve BF, Dickson DW, Halliday G, Taylor JP, Weintraub D, et al. Diagnose und Management der Demenz mit Lewy-Körperchen: Vierter Konsensbericht des DLB-Konsortiums. Neurology. (2017) 89:88-100. doi: 10.1212/WNL.0000000000004058, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
108. Pavelka L, Rawal R, Ghosh S, Pauly C, Pauly L, Hanff AM, et al. Luxemburgische Parkinson-Studie – Umfassende Basisanalyse der Parkinson-Krankheit und des atypischen Parkinsonismus. Front Neurol. (2023) 14:1330321. doi: 10.3389/fneur.2023.1330321, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
109. Wenning GK, Stankovic I, Vignatelli L, Fanciulli A, Calandra-Buonaura G, Seppi K, et al. Die Kriterien der Movement Disorder Society für die Diagnose der Multiplen Systematrophie. Mov Disord. (2022) 37:1131-48. doi: 10.1002/mds.29005, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
110. Aithal A, Aithal PS. Entwicklung und Validierung von Fragebögen und experimentellen Daten – ein auf systematischer Überprüfung basierender statistischer Ansatz. Int J Manage Technol Soc Sci. (2020) 5:233-51. doi: 10.5281/zenodo.4179499 [CrossRef] [Google Scholar]
111. Zamanzadeh V, Ghahramanian A, Rassouli M, Abbaszadeh A, Alavi-Majd H, Nikanfar AR. Design- und Implementierungsstudie zur Inhaltsvalidität: Entwicklung eines Instruments zur Messung der patientenzentrierten Kommunikation. J Caring Sci. (2015) 4:165-78. doi: 10.15171/jcs.2015.017, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
112. Benba A, Jilbab A, Hammouch A. Stimmanalyse zur Erkennung von Parkinson-Patienten unter Verwendung der Hybridisierung der besten akustischen Merkmale. Int J Electr Engineer Inform. (2016) 8:108-16. doi: 10.15676/ijeei.2016.8.1.8 [CrossRef] [Google Scholar]
113. Jeancolas L, Mangone G, Petrovska-Delacrétaz D, Benali H, Benkelfat BE, Arnulf I, et al. Stimmmerkmale von der isolierten Rapid-Eye-Movement-Schlafverhaltensstörung bis zur frühen Parkinson-Krankheit. Parkinsonism Relat Disord. (2022) 95:86-91. doi: 10.1016/j.parkreldis.2022.01.003, PMID: [PubMed] [CrossRef] [Google Scholar]
114. Rusz J, Hlavnička J, Novotný M, Tykalová T, Pelletier A, Montplaisir J, et al. Sprachliche Biomarker bei Rapid-Eye-Movement-Schlafverhaltensstörung und Parkinson-Krankheit. Ann Neurol. (2021) 90:62-75. doi: 10.1002/ana.26085, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
115. Suphinnapong P, Phokaewvarangkul O, Thubthong N, Teeramongkonrasmee A, Mahattanasakul P, Lorwattanapongsa P, et al. Objektive Vokallauteigenschaften und ihr Zusammenhang mit motorischen Funktionsstörungen bei asiatischen Parkinson-Patienten. J Neurol Sci. (2021) 426:117487. doi: 10.1016/j.jns.2021.117487, PMID: [PubMed] [CrossRef] [Google Scholar]
116. Ma A, Lau KK, Thyagarajan D. Voice changes in Parkinson’s disease: what are they telling us? J Clin Neurosci. (2020) 72:1-7. doi: 10.1016/j.jocn.2019.12.029, PMID: [PubMed] [CrossRef] [Google Scholar]
117. Postuma RB, Lang AE, Gagnon JF, Pelletier A, Montplaisir JY. Wie beginnt der Parkinsonismus? Motorische Veränderungen des Prodromalparkinsonismus bei idiopathischer REM-Schlaf-Verhaltensstörung. Brain. (2012) 135:1860-70. doi: 10.1093/brain/aws093, PMID: [PubMed] [CrossRef] [Google Scholar]
118. Liu W, Liu J, Peng T, Wang G, Balas VE, Geman O, et al. Vorhersage der Parkinson-Krankheit auf der Grundlage künstlicher neuronaler Netze unter Verwendung von Sprachdatensätzen. J Ambient Intell Humaniz Comput. (2023) 14:13571-84. doi: 10.1007/s12652-022-03825-w [CrossRef] [Google Scholar]
119. Sakar BE, Isenkul ME, Sakar CO, Sertbas A, Gurgen F, Delil S, et al. Sammlung und Analyse eines Parkinson-Sprachdatensatzes mit mehreren Arten von Tonaufnahmen. IEEE J Biomed Health Inform. (2013) 17:828-34. doi: 10.1109/JBHI.2013.2245674, PMID: [PubMed] [CrossRef] [Google Scholar]
120. Almeida JS, Rebouças Filho PP, Carneiro T, Wei W, Damaševičius R, Maskeliūnas R, et al. Erkennung der Parkinson-Krankheit anhand von anhaltenden Phonations- und Sprachsignalen mithilfe von maschinellen Lernverfahren. Pattern Recogn Lett. (2019) 125:55-62. doi: 10.1016/j.patrec.2019.04.005 [CrossRef] [Google Scholar]
121. Moro-Velázquez L., Gómez-García J., Dehak N., Godino Llorente J. (2021). Neue Instrumente zur differenzierten Bewertung der Parkinson-Krankheit mithilfe von Stimm- und Sprachverarbeitung.
122. Hosseini-Kivanani N., Vasquez-Correa J.C., Stede M., Nöth E. (2019). „Automatisierte sprachübergreifende Verständlichkeitsanalyse von Parkinson-Patienten mithilfe von Spracherkennungstechnologien“, In: ACL 2019-57th annual meeting of the Association for Computational Linguistics, proceedings of the student research workshop), 74-80.
123. Bhatia KP, Bain P, Bajaj N, Elble RJ, Hallett M, Louis ED, et al. Konsenserklärung zur Klassifizierung von Tremoren. Von der Arbeitsgruppe für Tremor der Internationalen Gesellschaft für Parkinson und Bewegungsstörungen. Mov Disord. (2018) 33:75-87. doi: 10.1002/mds.27121 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
124. Santos PSA, Santos EGR, Monteiro LCP, Santos-Lobato BL, Pinto GHL, Belgamo A, et al. Das Spektrum des Handtremors wird durch die Masse des Trägheitssensors bei leichten, tragbaren und Smartphone-basierten Messungen bei gesunden jungen Probanden verändert. Sci Rep. (2022) 12:16808. doi: 10.1038/s41598-022-21310-4, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
125. Hasan H, Burrows M, Athauda DS, Hellman B, James B, Warner T, et al. Der BRadykinesia akinesia INcoordination (BRAIN) Tap Test: Erfassung des Sequenzeffekts. Mov Disord Clin Pract. (2019) 6:462-9. doi: 10.1002/mdc3.12798, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
126. Gao C, Smith S, Lones M, Jamieson S, Alty J, Cosgrove J, et al. Objektive Bewertung der Bradykinesie bei Morbus Parkinson mithilfe evolutionärer Algorithmen: klinische Validierung. Transl Neurodegener. (2018) 7:18. doi: 10.1186/s40035-018-0124-x, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
127. Khan T, Nyholm D, Westin J, Dougherty M. A computer vision framework for finger-tapping evaluation in Parkinson’s disease. Artif Intell Med. (2014) 60:27-40. doi: 10.1016/j.artmed.2013.11.004, PMID: [PubMed] [CrossRef] [Google Scholar]
128. Hanakawa T, Katsumi Y, Fukuyama H, Honda M, Hayashi T, Kimura J, et al. Mechanismen, die der Gangstörung bei der Parkinson-Krankheit zugrunde liegen: eine Einzelphotonen-Emissions-Computertomographie-Studie. Brain. (1999) 122:1271-82. doi: 10.1093/brain/122.7.1271 [PubMed] [CrossRef] [Google Scholar]
129. Stamatakis J, Cremers J, Maquet D, Macq B, Garraux G. Gait feature extraction in Parkinson’s disease using low-cost accelerometers. Annu Int Conf IEEE Eng Med Biol Soc. (2011) 2011:7900-3. doi: 10.1109/IEMBS.2011.6091948, PMID: [PubMed] [CrossRef] [Google Scholar]
130. Virtanen P, Gommers R, Oliphant TE, Haberland M, Reddy T, Cournapeau D, et al. SciPy 1.0: grundlegende Algorithmen für wissenschaftliches Rechnen in Python. Nat Methods. (2020) 17:261-72. doi: 10.1038/s41592-019-0686-2, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
131. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn: Maschinelles Lernen in Python. J Mach Learn Res. (2012) 12:2825-30. doi: 10.48550/arXiv.1201.0490 [CrossRef] [Google Scholar]
132. Sarkar S, Modak A, Chatterjee S. Chapter 13-application of random forest in detection of Parkinson’s disease In: Joshi S, Mukherjee M, Editors. Zeitgenössische medizinische Biotechnologieforschung für die menschliche Gesundheit: Nag. Academic Press; (2022). 125-33. [Google Scholar]
133. Schwab P, Karlen W. PhoneMD: Lernen, die Parkinson-Krankheit aus Smartphone-Daten zu diagnostizieren. Proc AAAI Conf Artif Intell. (2019) 33:1118-25. doi: 10.1609/aaai.v33i01.33011118 [CrossRef] [Google Scholar]
134. Barrantes S, Sánchez Egea AJ, González Rojas HA, Martí MJ, Compta Y, Valldeoriola F, et al. Differenzialdiagnose zwischen Morbus Parkinson und essentiellem Tremor mithilfe des Beschleunigungsmessers des Smartphones. PLoS One. (2017) 12:e0183843. doi: 10.1371/journal.pone.0183843, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
135. Davis J, Goadrich M. „The relationship between precision-recall and ROC curves“, in: Proceedings of the 23rd international conference on machine learning. Pittsburgh, Pennsylvania, USA: Association for Computing Machinery; (2006). [Google Scholar]
136. Fitzgerald KN, Hodges R, Hanes D, Stack E, Cheishvili D, Szyf M, et al. Mögliche Umkehrung des epigenetischen Alters durch eine Ernährungs- und Lebensstilintervention: eine randomisierte klinische Pilotstudie. Aging. (2021) 13:9419-32. doi: 10.18632/aging.202913, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
137. Almeida MF, Farizatto KLG, Almeida RS, Bahr BA. Lebensstilstrategien zur Förderung der Proteostase und zur Verringerung des Risikos der Alzheimer-Krankheit und anderer Proteinopathien. Ageing Res Rev. (2024) 93:102162. doi: 10.1016/j.arr.2023.102162, PMID: [PubMed] [CrossRef] [Google Scholar]
138. Castro CB, Costa LM, Dias CB, Chen J, Hillebrandt H, Gardener SL, et al. Mehrdimensionale Interventionen zur Demenzprävention – eine systematische Übersicht. J Nutr Health Aging. (2023) 27:1271-80. doi: 10.1007/s12603-023-2046-2, PMID: [PubMed] [CrossRef] [Google Scholar]
139. Bhidayasiri R. Assistive Technologien bei der Parkinson-Krankheit In: Martin CR, Preedy VR, editors. The neuroscience of Parkinson’s Disease. London: Academic Press; (2020). 713-28. [Google Scholar]
140. Janssen Daalen JM, Schootemeijer S, Richard E, Darweesh SKL, Bloem BR. Lebensstil-Interventionen zur Vorbeugung der Parkinson-Krankheit: ein Rezept für Maßnahmen. Neurologie. (2022) 99:42-51. doi: 10.1212/WNL.0000000000200787 [PubMed] [CrossRef] [Google Scholar]
141. Tosefsky KN, Zhu J, Wang YN, Lam JST, Cammalleri A, Appel-Cresswell S. The role of diet in Parkinson’s Disease. J Parkinsons Dis. (2024):1-14. doi: 10.3233/JPD-230264, PMID: . Online ahead of print. [PubMed] [CrossRef] [Google Scholar]
142. Van Der Berg I, Schootemeijera S, Overbeeka K, Bloem BR, De Vries NM. Diätetische Interventionen bei der Parkinson-Krankheit. J Parkinsons Dis. (2024) 14:1-16. doi: 10.3233/JPD-230366, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
143. Bhusal CK, Uti DE, Mukherjee D, Alqahtani T, Alqahtani S, Bhattacharya A, et al. Das Potenzial der Natur enthüllen: Vielversprechende Naturstoffe für die Behandlung der Parkinson-Krankheit. Parkinsonism Relat Disord. (2023) 115:105799. doi: 10.1016/j.parkreldis.2023.105799, PMID: [PubMed] [CrossRef] [Google Scholar]
144. Phokaewvarangkul O, Kantachadvanich N, Buranasrikul V, Phoumindr A, Phumphid S, Jagota P, et al. Von der Evidenz auf den Teller: Ein Blick auf die Umsetzung einer mediterranen Ernährung nach thailändischer Art bei Parkinson-Krankheit. J Mov Disord. (2023) 16:279-84. doi: 10.14802/jmd.23021, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
145. Maraki MI, Yannakoulia M, Stamelou M, Stefanis L, Xiromerisiou G, Kosmidis MH, et al. Die Einhaltung der mediterranen Diät steht in Zusammenhang mit einer geringeren Wahrscheinlichkeit, an einem Parkinson-Prodrom zu erkranken. Mov Disord. (2019) 34:48-57. doi: 10.1002/mds.27489, PMID: [PubMed] [CrossRef] [Google Scholar]
146. Molsberry S, Bjornevik K, Hughes KC, Healy B, Schwarzschild M, Ascherio A. Diet pattern and prodromal features of Parkinson disease. Neurology. (2020) 95:e2095-108. doi: 10.1212/WNL.0000000000010523, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
147. Zhang X, Xu J, Liu Y, Chen S, Wu S, Gao X. Diet quality is associated with prodromal Parkinson’s Disease features in Chinese adults. Mov Disord. (2022) 37:2367-75. doi: 10.1002/mds.29208, PMID: [PubMed] [CrossRef] [Google Scholar]
148. Mischley LK, Lau RC, Bennett RD. Die Rolle von Ernährung und Nahrungsergänzungsmitteln beim Fortschreiten der Parkinson-Krankheit. Oxidative Med Cell Longev. (2017) 2017:1-9. doi: 10.1155/2017/6405278 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
149. Gonzalez-May CA, Barradas-Castillo MDR, Perera-Rios JH, Gallegos-Tintore S, Perez-Izquierdo O, Aranda G. Dietary flavonoids may have a protective and therapeutic effect in Parkinson disease: a systematic review. Nutr Res. (2024) 121:39-50. doi: 10.1016/j.nutres.2023.10.004, PMID: [PubMed] [CrossRef] [Google Scholar]
150. Jackson A, Forsyth CB, Shaikh M, Voigt RM, Engen PA, Ramirez V, et al. Ernährung bei Morbus Parkinson: entscheidende Rolle für das Mikrobiom. Front Neurol. (2019) 10:1245. doi: 10.3389/fneur.2019.01245, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
151. Klann EM, Dissanayake U, Gurrala A, Farrer M, Shukla AW, Ramirez-Zamora A, et al. Die Darm-Hirn-Achse und ihr Zusammenhang mit der Parkinson-Krankheit: ein Überblick. Front Aging Neurosci. (2021) 13:782082. doi: 10.3389/fnagi.2021.782082 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
152. Kalampokini S, Becker A, Fassbender K, Lyros E, Unger MM. Nicht-pharmakologische Modulation chronischer Entzündungen bei Morbus Parkinson: Rolle von Ernährungsinterventionen. Parkinsons Dis. (2019) 2019:1-12. doi: 10.1155/2019/7535472 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
153. Gronek P, Haas AN, Czarny W, Podstawski R, Delabary MDS, Clark CC, et al. Der Mechanismus der Verbesserung der Parkinson-Krankheit durch körperliche Aktivität: eine Übersichtsarbeit. Aging Dis. (2021) 12:192-202. doi: 10.14336/AD.2020.0407, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
154. Bastos PAD, Barbosa R. Motorische Reserve: Wie kann man neuronale Widerstandsfähigkeit gegen Alterung und Neurodegeneration aufbauen? Rev Neurol. (2022) 178:845-54. doi: 10.1016/j.neurol.2021.12.012, PMID: [PubMed] [CrossRef] [Google Scholar]
155. Henderson MX, Trojanowski JQ, Lee VM. Alpha-Synuclein-Pathologie bei Morbus Parkinson und verwandten Alpha-Synucleinopathien. Neurosci Lett. (2019) 709:134316. doi: 10.1016/j.neulet.2019.134316, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
156. Goenawan H, Kiasati S, Sylviana N, Megantara I, Lesmana R. Exercise-induced autophagy ameliorates motor symptoms progressivity in Parkinson’s Disease through alpha-Synuclein degradation: a review. Neuropsychiatr Dis Treat. (2023) 19:1253-62. doi: 10.2147/NDT.S401416, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
157. Fan B, Jabeen R, Bo B, Guo C, Han M, Zhang H, et al. Was und wie kann körperliche Aktivität bei der Parkinson-Krankheit vorbeugen? Oxidative Med Cell Longev. (2020) 2020:1-12. doi: 10.1155/2020/4293071 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
158. Xu Q, Park Y, Huang X, Hollenbeck A, Blair A, Schatzkin A, et al. Körperliche Aktivitäten und zukünftiges Risiko für Parkinson-Krankheit. Neurology. (2010) 75:341-8. doi: 10.1212/WNL.0b013e3181ea1597, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
159. Sunwoo MK, Lee JE, Hong JY, Ye BS, Lee HS, Oh JS, et al. Prämorbides Bewegungsengagement und motorische Reserve bei Morbus Parkinson. Parkinsonism Relat Disord. (2017) 34:49-53. doi: 10.1016/j.parkreldis.2016.10.023, PMID: [PubMed] [CrossRef] [Google Scholar]
160. Schenkman M, Moore CG, Kohrt WM, Hall DA, Delitto A, Comella CL, et al. Wirkung von hochintensivem Laufbandtraining auf motorische Symptome bei Patienten mit De novo Parkinson-Krankheit: eine randomisierte klinische Phase-2-Studie. JAMA Neurol. (2018) 75:219-26. doi: 10.1001/jamaneurol.2017.3517, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
161. Patterson CG, Joslin E, Gil AB, Spigle W, Nemet T, Chahine L, et al. Study in Parkinson’s disease of exercise phase 3 (SPARX3): Studienprotokoll für eine randomisierte kontrollierte Studie. Trials. (2022) 23:855. doi: 10.1186/s13063-022-06703-0, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
162. Alberts JL, Rosenfeldt AB, Lopez-Lennon C, Suttman E, Jansen AE, Imrey PB, et al. Die Wirksamkeit eines langfristigen, häuslichen Aerobic-Trainings zur Verlangsamung des Fortschreitens der Parkinson-Krankheit: Design der Cyclical Lower Extremity Exercise for Parkinson Disease II (CYCLE-II) Studie. Phys Ther. (2021) 101:pzab191. doi: 10.1093/ptj/pzab191 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
163. Langeskov-Christensen M, Franzen E, Grondahl Hvid L, Dalgas U. Exercise as medicine in Parkinson’s disease. J Neurol Neurosurg Psychiatry. (2024) 28:974. doi: 10.1136/jnnp-2023-332974 [PubMed] [CrossRef] [Google Scholar]
164. Ramar K, Malhotra RK, Carden KA, Martin JL, Abbasi-Feinberg F, Aurora RN, et al. Schlaf ist wichtig für die Gesundheit: eine Stellungnahme der American Academy of Sleep Medicine. J Clin Sleep Med. (2021) 17:2115-9. doi: 10.5664/jcsm.9476, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
165. Kunz D, Oster H, Rawashdeh O, Neumann WJ, Munte T, Berg D. Sleep and circadian rhythms in alpha-synucleinopathies-perspectives for disease modification. Acta Physiol. (2023) 238:e13966. doi: 10.1111/apha.13966, PMID: [PubMed] [CrossRef] [Google Scholar]
166. Xie L, Kang H, Xu Q, Chen MJ, Liao Y, Thiyagarajan M, et al. Schlaf treibt den Abbau von Metaboliten im erwachsenen Gehirn an. Science. (2013) 342:373-7. doi: 10.1126/science.1241224, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
167. Lloyd-Jones DM, Allen NB, Anderson CAM, Black T, Brewer LC, Foraker RE, et al. Life’s essential 8: Aktualisierung und Verbesserung des Konstrukts der kardiovaskulären Gesundheit der American Heart Association: ein präsidiales Beratungsschreiben der American Heart Association. Circulation. (2022) 146:e18-43. doi: 10.1161/CIR.0000000000001078, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
168. Lam A, Kong S, Naismith SL. Jüngste Fortschritte im Verständnis von Schlafstörungen und deren Auswirkungen auf das Demenzrisiko und die Prävention. Curr Opin Psychiatry. (2023) 37:94-100. doi: 10.1097/YCO.0000000000000921 [PubMed] [CrossRef] [Google Scholar]
169. Sewell KR, Erickson KI, Rainey-Smith SR, Peiffer JJ, Sohrabi HR, Brown BM. Zusammenhänge zwischen körperlicher Aktivität, Schlaf und kognitiver Funktion: eine Übersichtsarbeit. Neurosci Biobehav Rev. (2021) 130:369-78. doi: 10.1016/j.neubiorev.2021.09.003, PMID: [PubMed] [CrossRef] [Google Scholar]
170. Chahine LM, Amara AW, Videnovic A. Eine systematische Übersicht über die Literatur zu Schlaf- und Wachheitsstörungen bei Morbus Parkinson von 2005 bis 2015. Sleep Med Rev. (2017) 35:33-50. doi: 10.1016/j.smrv.2016.08.001, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
171. Dinov ID, Heavner B, Tang M, Glusman G, Chard K, Darcy M, et al. Prädiktive Big-Data-Analytik: Eine Studie zur Parkinson-Krankheit unter Verwendung großer, komplexer, heterogener, inkongruenter, quellenübergreifender und unvollständiger Beobachtungen. PLoS One. (2016) 11:e0157077. doi: 10.1371/journal.pone.0157077 [PMC free article] [PubMed] [CrossRef] [Google Scholar]
172. Prashanth R, Dutta Roy S, Mandal PK, Ghosh S. Hochpräzise Erkennung der frühen Parkinson-Krankheit durch multimodale Merkmale und maschinelles Lernen. Int J Med Inform. (2016) 90:13-21. doi: 10.1016/j.ijmedinf.2016.03.001, PMID: [PubMed] [CrossRef] [Google Scholar]
173. Dou K, Ma J, Zhang X, Shi W, Tao M, Xie A. Multi-predictor modeling for predicting early Parkinson’s disease and non-motor symptoms progression. Front Aging Neurosci. (2022) 14:977985. doi: 10.3389/fnagi.2022.977985, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
174. Mirelman A, Rochester L, Simuni T, Hausdoff JM. Digitale Mobilitätsmessungen zur Vorhersage der Parkinson-Krankheit. Lancet Neurol. (2023) 22:1098-100. doi: 10.1016/S1474-4422(23)00376-9, PMID: [PubMed] [CrossRef] [Google Scholar]
175. Zhang J, Zhou W, Yu H, Wang T, Wang X, Liu L, et al. Vorhersage der Parkinson-Krankheit mit Methoden des maschinellen Lernens. Biomol Ther. (2023) 13:1761. doi: 10.3390/biom13121761, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
176. Meherali S, Punjani NS, Mevawala A. Health Literacy Interventions to improve health outcomes in Low- and middle-income countries. Health Lit Res Pract. (2020) 4:e251-66. doi: 10.3928/24748307-20201118-01, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
177. Shi Y, Ma D, Zhang J, Chen B. Im digitalen Zeitalter: Eine systematische Literaturübersicht über die E-Health-Kompetenz und die Einflussfaktoren bei chinesischen älteren Erwachsenen. Z Gesundh Wiss. (2023) 31:679-87. doi: 10.1007/s10389-021-01604-z, PMID: [PMC free article] [PubMed] [CrossRef] [Google Scholar]
178. Statista . Anteil der Smartphone-Nutzer in Thailand im 4. Quartal 2022, nach Altersgruppe Statista Research Department; (2023b). [Google Scholar]
     Artikel aus Frontiers in Neurology werden hier mit freundlicher Genehmigung von Frontiers Media SA bereitgestellt