< sve vesti
Digitalni biomarkeri u multiploj sklerozi – savremeni dokazi i kliničke implikacije
25. decembar 2025.
Multipla skleroza (MS) je hronična inflamatorna i neurodegenerativna bolest centralnog nervnog sistema koja pogađa više od 2,8 miliona ljudi širom sveta i predstavlja značajan klinički i socioekonomski teret [1].
Bolest se najčešće karakteriše relapsno-remitentnim tokom uz progresivno nakupljanje onesposobljenosti, pri čemu se tiha progresija može javiti i u odsustvu kliničkih relapsa [2,3].
Standardni modeli kliničkog praćenja, zasnovani na periodičnim ambulantnim kontrolama, često nisu dovoljni za detekciju suptilnih promena funkcionalnog statusa pacijenata [4].
Razvoj digitalnih biomarkera omogućio je kontinuirano i longitudinalno praćenje osoba sa MS u realnim životnim uslovima, uz prevazilaženje ograničenja klasičnih kliničkih procena [5,6].
Podaci prikupljeni putem nosivih senzora, pametnih telefona i povezanih uređaja odlikuju se velikim obimom, visokom frekvencijom i heterogenošću, što ih svrstava u domen „big data“ u zdravstvu [7].
Analiza ovakvih podataka zahteva primenu metoda veštačke inteligencije, uključujući mašinsko i duboko učenje, kako bi se identifikovali složeni obrasci povezani sa tokom bolesti [8].
Najveći broj dosadašnjih istraživanja fokusiran je na motorni domen, s obzirom na visoku prevalenciju poremećaja hoda i povećan rizik od padova kod osoba sa MS [9].
Studije su pokazale da algoritmi dubokog učenja primenjeni na podatke sa akcelerometara mogu precizno identifikovati fenotipove nestabilnosti i zamora povezane sa rizikom od padova [10,11].
Pasivno praćenje motoričkih funkcija tokom svakodnevnih aktivnosti omogućava ekološki validniju procenu u poređenju sa standardnim kliničkim testovima [5].
Analiza podataka iz realnog života ukazala je da klinički testovi hoda često odražavaju maksimalne, a ne prosečne funkcionalne sposobnosti pacijenata [12].
Korišćenjem mašinskog učenja moguće je izdvojiti parametre aktivnosti koji bolje koreliraju sa stepenom onesposobljenosti nego prosti pokazatelji poput ukupnog broja koraka [13,14].
Ovi nalazi ukazuju na potencijal digitalnih biomarkera da unaprede procenu progresije bolesti i terapijskog odgovora [4].
Digitalno praćenje kognitivnih funkcija u MS je manje razvijeno, jer zahteva aktivno učešće pacijenata i strukturisane zadatke [15].
Digitalizacija standardnih neuropsiholoških testova i primena konvolucionih neuronskih mreža omogućile su automatizovano bodovanje testova poput BVMT-R (Brief Visuospatial Memory Test–Revised) [16,17].
Ovakav pristup omogućava dobijanje dodatnih parametara izvođenja testa i detaljniji kognitivni profil pacijenata [18].
Pasivni pristupi praćenju kognicije, kao što je analiza dinamike kucanja na tastaturi, predstavljaju inovativan koncept dugoročnog praćenja bez aktivnog opterećenja pacijenata [19,20].
Dosadašnji rezultati ukazuju na ograničenu pouzdanost ovih metoda na individualnom nivou, kao i na potrebu za dodatnom validacijom i pažljivim razmatranjem etičkih aspekata [4].
U celini, digitalni biomarkeri i daljinsko praćenje predstavljaju obećavajući pristup unapređenju praćenja MS, omogućavajući ranije prepoznavanje progresije i personalizovanije upravljanje bolešću [21].
Međutim, neophodne su velike, multicentrične i dugoročne studije kako bi se ovi alati u potpunosti validirali i integrisali u rutinsku kliničku praksu [4].
Reference:
1. Moccia M, et al. Multiple sclerosis and disability progression. Neurology. 2021.
2. Kappos L, et al. Silent progression in multiple sclerosis. Lancet Neurol. 2018.
3. Cree BAC, et al. Progression independent of relapse activity in multiple sclerosis. Ann Neurol. 2019.
4. Dini M, Comi G, Leocani L. Digital remote monitoring of people with multiple sclerosis. Front Immunol. 2025;16:1514813. doi:10.3389/fimmu.2025.1514813.
5. Chitnis T, et al. Quantifying neurologic disease using wearable sensors in multiple sclerosis. Ann Clin Transl Neurol. 2019.
6. Bourke A, et al. Remote gait analysis in multiple sclerosis using smartphones. Sensors. 2020.
7. European Commission. Big Data in Health. Directorate-General for Research and Innovation; 2016.
8. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521:436–444.
9. Gunn H, et al. Gait and balance impairment in multiple sclerosis. Mult Scler. 2015.
10. Meyer BM, et al. Deep learning for fall risk estimation in multiple sclerosis. IEEE Trans Neural Syst Rehabil Eng. 2021.
11. Vandyk A, et al. Longitudinal fall risk monitoring in multiple sclerosis. Sensors. 2023.
12. Sun S, et al. Real-world walking activity as a digital biomarker in multiple sclerosis. NPJ Digit Med. 2022.
13. Block VJ, et al. Continuous activity monitoring and disability in multiple sclerosis. Neurology. 2022.
14. Salomon A, et al. Activity fragmentation and circadian rhythms in multiple sclerosis. J Neurol. 2022.
15. Amato MP, et al. Cognitive impairment in multiple sclerosis. Lancet Neurol. 2018.
16. Birchmeier A, et al. Automated scoring of the BVMT-R in multiple sclerosis. Hum Brain Mapp. 2019.
17. Birchmeier A, et al. Validation of automated scoring of visuospatial memory tests in MS. Hum Brain Mapp. 2020.
18. Petilli MA, et al. Digital assessment of visuospatial function in multiple sclerosis. Front Neurol. 2021.
19. Lam KH, et al. Keystroke dynamics for passive monitoring in multiple sclerosis. NPJ Digit Med. 2021.
20. Lam KH, et al. Longitudinal passive monitoring of cognition in multiple sclerosis. NPJ Digit Med. 2022.
21. Cree BAC, et al. Long-term disability outcomes in multiple sclerosis. Ann Neurol. 2021.