Die Parkinson-Krankheit ist eine langsam fortschreitende degenerative Erkrankung bestimmter Gehirnareale. Ihr Verlauf ist äußerst individuell, was nicht nur die Therapie erschwert, sondern auch größere Patientenstichproben in klinischen Studien für neue neuroprotektive Arzneimittel erforderlich macht. Möglicherweise benötigen unterschiedliche Parkinson-Progressionstypen sogar angepasste therapeutische Ansätze.
Um diese Progressionstypen zu identifizieren, analysierte eine Arbeitsgruppe unter der Leitung von Tom Hähnel von der Klinik und Poliklinik für Neurologie an der Technischen Universität (TU) Dresden longitudinale Daten von Parkinson-Patienten mithilfe von Künstlicher Intelligenz (KI). Die Ergebnisse der Studie wurden beim 96. Kongress der Deutschen Gesellschaft für Neurologie (DGN) in Berlin präsentiert (Abstract 689) [1,2].
KI-Modell erkennt konsistente Unterschiede in Parkinson-Progressionstypen
Die Daten für diese Studie wurden aus drei großen Parkinson-Kohorten (PPMI, ICEBERG, LuxPARK) gewonnen und die Patienten auf einer einheitlichen Zeitskala der Krankheitsprogression synchronisiert.
Das KI-Modell identifizierte tatsächlich zwei Progressionstypen, die in jeder der drei Kohorten konsistent vorhanden waren. Die beiden Progressionstypen, nämlich schnell progredient und langsam progredient, unterschieden sich hinsichtlich motorischer und nicht motorischer Symptome, Überlebensraten, Reaktionen auf eine dopaminerge Medikation, DaTSCAN-Bildgebung und digitaler Biomarker für die Gangbeurteilung.
Basierend auf den Baselinedaten der Patienten konnten die Progressionstypen mit einer ROC-AUC von 0,79 vorhergesagt werden, was auf eine gute Testgüte hinweist.
Effizienzsteigerung durch Einbeziehung von schnell progredientem Parkinson
Die KI-Analyse zeigt, dass klinische Studien mit einer geringeren Probandenzahl durch die gezielte Einbeziehung von schnell progredienten Parkinson-Patienten effizienter gestaltet werden können. Simulationen zufolge könnte die erforderliche Kohortengröße um etwa 43% verringert werden.
