Болезнь Паркинсона: применение современных цифровых систем и подходов для оценки неврологической дисфункции пациентов (литературный обзор)

Введение. Выполнен комплексный анализ опыта применения современных цифровых технологий, включая носимые сенсоры, компьютерное зрение и алгоритмы искусственного интеллекта.

Цель работы. Диагностика, мониторинг и реабилитация пациентов с болезнью Паркинсона, с фокусом на оценку их потенциала в объективизации моторных симптомов, выявлении ключевых преимуществ и системных ограничений, препятствующих их широкой клинической интеграции.

Материалы и методы. Проведен систематический обзор научной литературы за период 2020-2025 годов с использованием баз данных PubMed, Scopus, Web of Science и elibrary.ru. Поиск осуществлялся по ключевым терминам, таким как «digital biomarkers», «computer vision», «machine learning», «Parkinson’s disease» и «telemedicine platforms». Методология включала критический анализ и систематизацию данных с выделением архитектурных решений, алгоритмических подходов и результатов клинической апробации цифровых систем.

Результаты. Установлено, что цифровые технологии, в частности многоуровневые платформы по типу Parkinson Expert System, демонстрируют высокую эффективность в формировании объективных цифровых биомаркеров для оценки тремора, брадикинезии и нарушений походки, показывая высокую корреляцию с традиционными клиническими шкалами. Ключевым ограничением является отсутствие стандартизации протоколов, валидации и единых методологических подходов, что затрудняет сопоставимость результатов и их трансляцию в рутинную практику.

Заключение. Цифровые технологии обладают значительным трансформационным потенциалом для персонализации диагностики и мониторинга болезни Паркинсона, обеспечивая непрерывный и объективный сбор данных. Однако для их успешной интеграции в клиническую практику необходимы разработка единых стандартов, проведение масштабных многоцентровых исследований и решение вопросов, связанных с валидацией алгоритмов, защитой данных и взаимодействием систем. Дальнейшее развитие этого направления позволит повысить точность и эффективность медицинской помощи пациентам с нейродегенеративными заболеваниями.

1. Stephen C. D., Parisi F., Mancini M., Artusi C. A. Digital biomarkers in movement disorders. Front. Neurol. 2025; 16: 1600018.

2. Harris C., Tang Y., Birnbaum E., Cherian C., Mendhe D., Chen M. H. Digital neuropsychology beyond computerized cognitive assessment: applications of novel digital technologies. Arch. Clin. Neuropsychol. 2024; 39 (3): 290-304.

3. Salchow-Hömmen C., Skrobot M., Jochner M. C. E., Schauer T., Kühn A. A., Wenger N. Emerging portable technologies for gait analysis in neurological disorders. Front. Hum. Neurosci. 2022; 16: 768575.

4. Caro C., Malpica N. Video and optoelectronics in movement disorders. Int. Rev. Mov. Disord. 2023; 5: 227-244.

5. Horak F. B., Shah V. V., Mancini M. Digital gait and balance measures. Int. Rev. Mov. Disord. 2023; 5: 115-151.

6. Deb R., An S., Bhat G., Shill H., Ogras U. Y. A systematic survey of research trends in technology usage for Parkinson’s disease. Sensors. 2022; 22 (15): 5491.

7. Park K. W., Mirian M. S., McKeown M. J. Artificial intelligence-based video monitoring of movement disorders in the elderly: a review on current and future landscapes. Singap. Med. J. 2024; 65 (3): 141-149.

8. Rábano-Suárez P., Del Campo N., Benatru I., Moreau C., Desjardins C., Sánchez-Ferro Á., Fabbri M. Digital outcomes as biomarkers of disease progression in early Parkinson’s disease: a systematic review. Mov. Disord. 2025; 40 (2): 184-203.

9. Sun Y. M., Wang Z. Y., Liang Y. Y., Hao C. W., Shi C. H. Digital biomarkers for precision diagnosis and monitoring in Parkinson’s disease. NPJ Digit. Med. 2024; 7 (1): 218.

10. Thankathuraipandian S., Greenleaf W., Kyani A., Tomlinson T., Balasingh B., Ross E., Pathak Y. Development of a remote therapeutic monitoring platform: applications for movement disorders. Sci. Rep. 2024; 14 (1): 29837.

11. Bernad A. E., Woelfle T., Granziera C., Kappos L., Lorscheider J., Barragan A., Pupo Ó. R. A novel methodology for developing smartphoneinstrumented tests for assessing movement, dexterity, and balance in neurological patients. Neurology. 2024; 102 (7 Suppl 1): 5218.

12. Beswick E., Fawcett T., Hassan Z., Forbes D., Dakin R., Newton J., et al. A systematic review of digital technology to evaluate motor function and disease progression in motor neuron disease. J. Neurol. 2022; 269 (12): 6254-6268.

13. Adams J. L., Kangarloo T., Gong Y., Khachadourian V., Tracey B., Volfson D., et al. Using a smartwatch and smartphone to assess early Parkinson’s disease in the WATCH-PD study over 12 months. NPJ Parkinson’s Dis. 2024; 10 (1): 112.

14. Güney G., Jansen T. S., Dill S., Schulz J. B., Dafotakis M., Hoog Antink C., Braczynski A. K. Video-based hand movement analysis of Parkinson patients before and after medication using high-frame-rate videos and MediaPipe. Sensors. 2022; 22 (20): 7992.

15. De Queiroz R. S., Alves J. H., Sasaki J. E. Digital biomarkers in the assessment of mobility in individuals with multiple sclerosis. Sclerosis. 2023; 1 (3): 134-150.

16. Mahboobeh D. J., Dias S. B., Khandoker A. H., Hadjileontiadis L. J. Machine learning-based analysis of digital movement assessment and ExerGame scores for Parkinson’s disease severity estimation. Front. Psychol. 2022; 13: 857249.

17. Franco A., Russo M., Amboni M., Ponsiglione A. M., Di Filippo F., Romano M., et al. The role of deep learning and gait analysis in Parkinson’s disease: a systematic review. Sensors. 2024; 24 (18): 5957.

18. Mancini M., McKay J. L., Cockx H., D’Cruz N., Esper C. D., Filtjens B., et al. Technology for measuring freezing of gait: current state of the art and recommendations. J. Parkinson’s Dis. 2025; 15 (1): 19-40.

19. Garbey M., Lesport Q., Girma H., Öztosun G., Abu-Rub M., Guidon A. C., et al. Application of digital tools and artificial intelligence in the Myasthenia Gravis Core Examination. Front. Neurol. 2024; 15: 1474884.

20. Adams J. L., Kangarloo T., Tracey B., O’Donnell P., Volfson D., Latzman R. D., et al. Using a smartwatch and smartphone to assess early Parkinson’s disease in the WATCH-PD study. NPJ Parkinson’s Dis. 2023; 9 (1): 64.

21. Morinan G., Dushin Y., Sarapata G., Rupprechter S., Peng Y., Girges C., et al. Computer vision quantification of whole-body Parkinsonian bradykinesia using a large multi-site population. NPJ Parkinson’s Dis. 2023; 9 (1): 10.

22. Kim K., Lyu S., Mantri S., Dunn T. W. TULIP: multi-camera 3D precision assessment of Parkinson's disease. Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. 2024; 22551–22562.

23. Zhang Y., Zeng Z., Mirian M. S., Yen K., Park K. W., Doo M., et al. Investigating the efficacy and importance of mobile-based assessments for Parkinson's disease: uncovering the potential of novel digital tests. Sci. Rep. 2024; 14 (1): 5307.

24. Panero E., D’Alessandro R., Cavallina I., Davico C., Mongini T., Gastaldi L., Ricci F. Wearable inertial devices in Duchenne muscular dystrophy: a scoping review. Appl. Sci. 2023; 13 (3): 1268.

25. Yu T., Park K. W., McKeown M. J., Wang Z. J. Clinically informed automated assessment of finger tapping videos in Parkinson’s disease. Sensors. 2023; 23 (22): 9149.

26. Xiang X., Zhang Z., Ma J., Deng Y. AI WALKUP: a computer-vision approach to quantifying MDS-UPDRS in Parkinson's disease. arXiv preprint arXiv:2404.01654. 2024.

27. Lipsmeier F., Taylor K. I., Postuma R. B., Volkova-Volkmar E., Kilchenmann T., Mollenhauer B., et al. Reliability and validity of the Roche PD mobile application for remote monitoring of early Parkinson’s disease. Sci. Rep. 2022; 12 (1): 12081.

28. Seo N. Y., Jeong E. W., Lee J. H., Cho S. Y., Jung Y. J. Objective assessment of motor ataxia via quantitative analysis of Romberg's test utilizing webcam-based motion capture with AI. J. Magn. 2023; 28 (4): 470-476.

29. Acien A., Calcagno N., Burke K. M., Mondesire-Crump I., Holmes A. A., Mruthik S., et al. A novel digital tool for detection and monitoring of amyotrophic lateral sclerosis motor impairment via keystroke dynamics. Sci. Rep. 2024; 14 (1): 16851.

30. Graham L., Vitorio R., Walker R., Barry G., Godfrey A., Morris R., Stuart S. Digital eye-movement outcomes (DEMOs) as biomarkers for neurological conditions: a narrative review. Big Data Cogn. Comput. 2024; 8 (12): 198