Studija u Discover Computing pokazuje da kombinacija pametne olovke i više AI modela može detektovati Parkinsonovu bolest sa visokom tačnošću. Istraživanje je koristilo podatke 66 učesnika koji su crtali spirale i meandere dok su senzori beležili pritisak, stisak, nagib i ubrzanje. Multimodalni sistem sa algoritmom SNAKE postigao je 98,95% tačnosti za meandere i 97,74% za spirale. Potrebne su veće i raznovrsnije kliničke studije pre šire primene.
Način Na Koji Crtate Može Otkriti Parkinsonovu Bolest: AI U Studiji Dostiže Do 98,95% Tačnosti
(Yifei Fang/Moment/Getty Images)
Studija objavljena u časopisu Discover Computing pokazuje da analiza crteža uz pomoć pametne olovke i više AI modela može vrlo precizno razlikovati osobe sa Parkinsonovom bolešću od zdravih kontrola. Istraživači iz Indije su obradili podatke prethodne studije iz Brazila i ističu potencijal neinvazivnog, jeftinog i udaljenog skrininga, uz jasno naglašena ograničenja.
Spirals and meanders drawn by people with and without Parkinson's disease, a movement disorder. (Ayus et al.,Discov. Comput., 2026)
Kako je istraživanje rađeno?
U eksperimentu su korišćeni podaci 66 učesnika (31 osoba sa Parkinsonovom bolešću i 35 zdravih kontrola). Učesnici su crtali dve vrste zadataka — spiralne oblike i meandere — koristeći biometrijsku "pametnu olovku" koja je beležila i sam crtež i dodatne senzorske signale ruke.
Researchers used data from smart pen recordings that measured finger grip, axial pressure, tilt, and acceleration for healthy controls (left) and Parkinson's patients (right). (Ayus et al.,Discov. Comput., 2026)
Šta su merenja obuhvatala?
Pametna olovka je snimala više parametara motoričkog ponašanja: pritisak (aksijalni pritisak), stisak, nagib i ubrzanje. Uz vizuelnu analizu slike crteža, istraživači su koristili duboke neuronske mreže za procenu prostornih nepravilnosti (npr. izobličenja izazvana tremorom) i vremenskih motoričkih obrazaca (npr. oscilacije brzine i promenljivost pritiska).
Subscribe to ScienceAlert's free fact-checked newsletter
Algoritam SNAKE i multimodalni pristup
Rezultate različitih modela istraživači su objedinjavali algoritmom nazvanim SNAKE, koji ponderiše i kombinuje predikcije modela prema njihovoj tačnosti. Prema objavljenim rezultatima, konačni sistem je identifikovao meandere sa 98,95% tačnosti i spirale sa 97,74% tačnosti u tom skupu podataka.
„Ručni zapisi pružaju prostorne karakteristike nepravilnosti poteza, tremorom izazvanih izobličenja i odstupanja u obliku. Signali iz senzora pri pisanju hvataju vremensko-motornu komponentu, uključujući fluktuacije brzine, nedoslednosti pritiska i deficite koordinacije.“ — autori
Ograničenja i šta treba dalje
Istraživači otvoreno navode važna ograničenja: mali uzorak (66 osoba) i korišćenje podataka iz jedne populacione grupe znače da rezultati ne garantuju opštu kliničku primenljivost. Potrebne su veće, raznovrsnije i prospektivne studije da bi se metod validirao i testirao na različitim fazama bolesti i drugim populacijama.
Praktični zaključci
Metod ima jasan potencijal kao dodatni, neinvazivni i niskobudžetni skrining alat koji bi mogao da podrži ranije otkrivanje i udaljenu procenu rizika, ali ne zamenjuje kliničku dijagnozu. Preporuka je da se ove tehnologije razvijaju uz strogu kliničku validaciju i procenu pristrasnosti podataka.
Izvor: Ayus i saradnici, Discover Computing (2026). Podaci iz brazilske studije i analiza tima iz Indije.
Pomozite nam da budemo bolji.
