Diagnostic Glove: Disease diagnosis in daily life from wearable kinematics

In der Klinik erhobene Daten sind oft weniger aussagekräftig als Ärzte es sich wünschen. Dies liegt nicht nur an der limitierten Anzahl von Tests, sondern auch an subjektiven Einflussfaktoren, wie der Arzt-Patienten-Beziehung oder der Erfahrung des Arztes. Quantitative Daten über das Verhalten des Patienten in der Häuslichkeit sind oft nicht verfügbar, was ein Problem darstellt, insbesondere für die Diagnose motorischer Störungen. In diesem Projekt planen wir, neueste Erkenntnisse aus der Grundlagenforschung über das "real life tracking” von Handfunktionen zu verwenden um ein neues Medizinprodukt zu entwickeln, den "Diagnostic Glove”. Dieser soll Ärzten helfen, Pathologien der oberen Extremitäten einfacher zu diagnostizieren, im Verlauf zu bewerten und zur Klassifizierung motorischer Erkrankungen heranzuziehen. Für die Initialisierung des Projektes bearbeiten wir ein häufiges, aber im klinischen Alltag schwierig zu lösendes Problem: die Unterscheidung zwischen Amyotropher Lateralsklerose (ALS), Einschlusskörpermyositis (IBM) und monomelischer Amyotrophie (MMA). Alle drei Erkrankungen zeichnen sich durch eine Beteiligung der oberen Extremitäten aus, die allerdings in frühen Erkrankungsstadien schwer zu unterscheiden sein kann. Das hier vorgeschlagene Projekt setzt sich zum Ziel (i) zu zeigen, dass der Diagnostic Glove verwendet werden kann, um klinisch-relevante Veränderungen der Handmotorik zu klassifizieren, (ii) Algorithmen zu entwickeln, die reliabel zwischen ALS, IBM und MMA unterscheiden können und (iii) ein Patent für die Software, als ersten Schritt für die Kommerzialisierung des Produktes, zu erhalten. Dieses Projekt folgt einem Trend in der Medizin, in dem neue Produkte entwickeln werden, die es erlauben, Patientenverhalten im realen Leben zu erfassen. Diese "Medizin zum Mitnehmen” verspricht neue, automatisierte Therapieverfahren, die auf Big Data und Analysealgorithmen basieren um die medizinische Diagnose evidenzbasierter und quantitativer zu gestalten.

Clinicians suffer from the limited meaningfulness of patient data acquired in clinical settings. Not only is the number of available tests limited, the acquired data are also influenced by motivational, emotional, and subjective factors, such as doctor-patient relationships or a physician’s experience. In addition, quantitative data on the patients’ real life behavior in a familiar environment are usually not available. This is a particular problem for sensorimotor disorders, where accurate diagnosis depends on knowledge on real life motor functions. Here, we propose to use recent advances in basic research on the tracking and classification of hand movements to develop a novel medical product (the Diagnostic Glove) that helps clinicians to diagnose, track, and classify sensorimotor disorders of the upper limbs. We will start with a medical problem that is common yet difficult to solve: the distinction of certain upper limb muscular patterns between lower motor neuron dominant (LMND) amyotrophic lateral sclerosis (ALS), inclusion body myositis (IBM), and brachial monomelic amyotrophy Hirayama (MMA). All three diseases are characterized by upper limb motor deficits, which are, however, difficult to differentiate early in disease progress applying the "clinical view” only and with the motor tests currently available. This translational proof-of-concept project will (i) show that the Diagnostic Glove can be used to reliably categorize motor movements relevant for clinical diagnosis, (ii) develop algorithms to reliably distinguish between ALS, IBM, and MMA, and (iii) receive a patent for this software as starting point to commercialize the product. This project is part of a trend in the Medical Sciences, where novel tools allow tracking patient behavior at home. This "Medicine to take away” is expected to found novel treatment strategies that are based on Big Data, Machine Learning, and analysis algorithms for a quantitative, evidence-based medicine.