Применение цифровых технологий в неврологии DOI: 10.29188/2712-9217-2023-9-4-14-22

394

ВВЕДЕНИЕ

Цифровые технологии в мире являются одним из главных направлений в технологическом прогрессе. Они постепенно охватывают все сферы жизнедеятельности и самые разных области науки, в том числе и медицину. Создание эффективной и качественной цифровой инфраструктуры в здравоохранении – это важнейшее направление развития интернеттехнологий на всех уровнях информационного медицинского пространства, формирующих динамическую сеть коммуникаций [1].

Неврологические заболевания имеют широкий спектр расстройств. А врачу-неврологу приходится сталкиваться с множеством проблем в области диагностики и выбора тактики лечения, в том числе в ограниченные сроки, а также заниматься профилактикой прогрессирования многих хронических неврологических заболеваний. Более того, с увеличением численности населения увеличивается рост самых распространенных нейродегенеративных заболеваний, таких как болезнь Паркинсона (БП) и болезнь Альцгеймера (БА) [2, 3]. Таким образом, внедрение медицинских цифровых технологий может обеспечить лучшую доступность в консультациях, расширить потенциал различных диагностических и терапевтических инструментов и систем.

ТЕЛЕМЕДИЦИНСКИЕ ТЕХНОЛОГИИ

Телемедицина признается в мире инновационной медицинской услугой, которая позволяет преодолеть географические расстояния и направлена на уравнивание доступа к медицинской помощи с использованием информационно-коммуникационных технологий, обеспечивая безопасную передачу и совместное использование медицинских данных и информации для мониторинга и контроля клинического состояния [4]. Так, телемедицина предоставляет возможность людям из сельских и отдаленных регионов получить высококачественные консультации, в то время как аптечные онлайнплатформы позволяют получить необходимые лекарства без лишних поездок [5, 6]. Более того, телемедицина стала очень востребованной из-за недавней пандемии Covid-19. Быстрое распространение инфекционного заболевания по всем странам стимулировало необходимость поиска решений для профилактики, локализации и лечения пациентов не только с Covid-19, но и с другими патологиями [7]. Так, использование данных технологий приобрело широкое распространение у пациентов с хроническими неврологическими заболеваниями. Например, телемедицина при нейродегененеративных заболеваниях является ценным инструментом для пациентов и лиц, осуществляющих уход за ними [8].

В случае с БП телемедицина может использоваться для реабилитационной терапии, для проведения когнитивных тестов и для поддержки лиц, осуществляющих уход [9]. Наиболее легко распознаваемыми признаками БП являются двигательные особенности, включая тремор и брадикинезию, которые можно визуализировать при онлайн-приеме. Проведение стандартных медицинских обследований, включая унифицированную шкалу оценки болезни Паркинсона (MDS UPDRS), возможно с помощью телемедицины при условии, что качество видео удовлетворительное [10]. Однако некоторые практические элементы, такие как тестирование на ригидность и нестабильность осанки, не могут быть выполнены, а большая часть обследований, включая походку, может быть оценена при наличии достаточного пространства. Когнитивные тесты, в частности Монреальская когнитивная шкала (MoCA) также может проводиться дистанционно [11, 12]. Наконец, диагноз БП и атипичных паркинсонических синдромов может быть подтвержден с помощью телемедицины [13, 14].

В недавнем национальном онлайн-опросе 7781 человека с БП 76% указали на высокий интерес к телемедицине. Было доказано, что данная технология позволяет пациентам с БП экономить время, деньги и преодолевать барьер в виде расстояния [8].

Телемедицина может облегчить ведение расширенной терапии. Последующее наблюдение после процедур глубокой стимуляции мозга (DBS) и инфузии кишечного геля леводопы, которые нередко требуют частых посещений клиники для корректировки, может стать значительной нагрузкой для пациентов и лиц, осуществляющих уход, особенно в отдаленных районах [15]. Ретроспективное исследование оценило виртуальную помощь 41 пациенту с болезнью Паркинсона и DBS в телемедицинской сети Онтарио и продемонстрировало, что телемедицина в этой сфере как осуществима, так и полезна, особенно для снижения бремени поездок и затрат [16].

Необходимо отметить, что будущим и важным направлением в сфере телемедицинских технологий являются исследования, направленные на преодоления ограничения 2D-телемедицины. Так, Sekimoto. S. и соавторы предложили использовать новую концепцию «голомедицины» – интерактивной телемедицины на основе 3Dголограмм, которая состоит из датчиков камеры глубины RGB (Kinect v2; Microsoft, Redmond, WA, USA), фиксирующих движения человека с помощью инфракрасного света, и дисплея, устанавливаемого на голове пациента, с голограммным монитором для проверки оцифрованных в 3D данных человека (HoloLens; Корпорация Microsoft) [17]. Система на стороне пациента фиксировала его форму и отправляла эти данные в виде оцифрованного в 3D изображения врачу через беспроводную сеть. Система на стороне врача получала данные от системы на стороне пациента и воспроизводила трехмерную цифровую форму пациента практически в режиме реального времени с использованием одноранговой сети, и наоборот. Этот медицинский визит в смешанной реальности может привести к эволюционному изменению традиционного приема в больнице, поскольку он приближен к очному посещению. В предварительном исследовании подтвердили возможность оценки двигательных показателей с помощью 3D-телемедицины в общей сложности у 100 пациентов с БП. Однако оценка ригидности и нестабильности осанки по-прежнему остаются невозможны [17].

Телемедицинские технологии дают лучшее понимание домашней обстановки пациента и сокращают количество нарушений в распорядке его дня. Исследования показали, что телемедицина применима среди пациентов с БА и лиц, осуществляющих уход, и позволяет дистанционно проводить нейропсихологические тесты, тем самым обеспечивать диагностическую точность, сравнимую с очными визитами [18, 19]. В недавних публикациях о клиниках телемединской деменции общая удовлетворенность варьировалась от 88%-98% для пациентов и 91-98% для лиц, осуществляющих уход [20, 21].

Междисциплинарный подход, используемый в настоящее время для пациентов с боковым амиотрофическим склерозом (БАС), также может быть частично воспроизведен с помощью телемедицинских технологий. Так, исследования показали, что использование телемедицины параллельно с телемониторонгом для контроля клинических параметров снижает использование медицинских услуг и госпитализации с благоприятными последствиями для затрат и функционального статуса [22, 23].

Не смотря на то, что телемедицинские технологии становятся все более востребованы, тем не менее, барьеры для доступа к данным услугам, особенно на дому, сохраняются. Главной жалобой пациентов и поставщиков медицинских услуг в этих исследованиях было качество видеосвязи [8, 24]. А немалая часть жителей вовсе не имеет доступа к интернету [8]. Также необходимо учитывать некоторые исследования, которые показывают неизменно низкие показатели ответов (37-46%) на опросы удовлетворенности после онлайн-посещения, что дают основание полагать о возможной переоцененной удовлетворенности данной услугой [8, 25, 26]. Более того, часть исследований показывают, что врачи менее удовлетворены телемедициной, чем пациенты [8].

В целом, телемедицина предоставляет возможность оказания медицинской помощи от первичной до специализированной, помогая не только пациентам, но и их родственникам. Это позволяет расширить доступ к оказанию услуг, преодолевая географические барьеры.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Сегодня неврология сталкивается с множеством проблем в области диагностических, терапевтических и реабилитационных моментов. Искусственный интеллект (ИИ) привлек большое внимание в решении данных вопросов.

Термин ИИ используется для описания «машин», способных продемонстрировать когнитивные функции, уровень которых сравнивают с человеческим умом.

В ИИ есть два основных подхода: машинное обучение (МО) и глубокое обучение (ГО). МО используется для анализа данных и последующего обучения на их основе, и затем принятия решений, тогда как ГО обучается и принимает решения с помощью слоев искусственных нейронных сетей [27]. ГО – это подкласс методов МО, и обычно используется для крупномасштабных наборов данных. Для небольших наборов данных предпочтительны методы МО. Кроме того, МО использует созданные вручную функции (полученные с помощью многочисленных алгоритмов на основе информации, существующей в самом изображении) для обучения и принятия решений, тогда как методы ГО могут изучать функции независимо и принимать решения о точной настройке в соответствии с входными данными [28]. МО/ГО может быть контролируемым, полуконтролируемым и неконтролируемым. Глубокое обучение является ведущим направлением большинства инструментов ИИ для интерпретации изображений, используя различные алгоритмы.

Системы машинного обучения в настоящее время применяются для диагностики и классификации нейродегенеративных, демиелинизирующих заболеваний, эпилепсии, различных видов деменции, для помощи в диагностике и индивидуальном выборе лечения при остром ишемическом инсульте и др. неврологических заболеваниях [29, 30].

При многих нейродегенеративных заболеваниях симптомы не проявляются до тех пор, пока не произойдет существенная потеря нейронов, что делает раннюю диагностику очень сложной. Поэтому исследования по применению моделей машинного обучения для ранней диагностики растут. Так, например, нами совместно со Сколковским институтом науки и технологий ведутся работы в этой области, как пример, разработка системы второго мнения в диагностике БП и эссенциального тремора с использованием методов машинного обучения [31-33].

Использование машинного обучения для обнаружения прогностических сигналов в данных, которые могут быть собраны относительно легко (электронные медицинские записи или данные МРТ), может обеспечить перспективный скрининг стареющих групп населения. Автоматизированная диагностика на основе машинного обучения также может выделить людей для дальнейшего клинического исследования. Важно отметить, что исторические медицинские записи предоставляют полезный набор обучающих данных для алгоритмов прогнозирования, так как они могут охватывать весь период заболевания [34].

При БП хорошо себя зарекомендовали использование сенсорных систем на основе машинного обучения, такое как Parkinson's KinetiGraph и Kinesiasystem, предназначенные для оценки дискинезии и брадикинезии. KinetiGraph можно носить на запястье и измерять ускорение запястья [35]. Kinesiasystem носится либо на палец, либо на запястье и обнаруживает движение с помощью встроенного акселерометра и гироскопа. Обе системы обеспечивают автоматическую оценку двигательных симптомов индивида, но выходные данные также могут быть дополнительно проанализированы с помощью алгоритмов машинного обучения, таких как Support Vector Machine (SVM) [34]. Передовые алгоритмы также были применены в разработке новых систем диагностики и оценки, которые основаны на движении нижних конечностей. Исследовательские группы работают над оптимальными алгоритмами для точной диагностики БП, внедряя датчики помещенные в стельки обуви или сенсорные дорожки, а внутренние датчики – в нижние конечности, туловище или интергрированные в умную обувь [34, 36]. Исследования продемонстрировали, что простые носимые приборы в комбинации с алгоритмами контролируемого машинного обучения могут обеспечить значительную диагностическую поддержку и различать пациентов с БП от здоровых субъектов с точностью выше 90%. А анализ функции походки с использованием искусственной нейронной сети оказался самым успешным алгоритмом для ранней диагностики, сообщая о точности выше 95%. Это особенно важно, поскольку на ранних стадиях заболевания двигательные симптомы не видны четко, а при отложенной диагностике прогрессирование заболевания неизбежно. Также получены высокоточные повторные результаты для выявления двигательных симптомов, стадии и тяжести заболевания [37].

Нейровизуализация, в частности КТ и МРТ, широко используется при диагностике неврологических заболеваний, и радиология была одной из первых областей, выигравших от компьютеризации медицины и внедрения «интеллектуальных машин». Методы машинного обучения полезны для постановки объективных диагнозов на основе изображений и часто превосходят производительность обученных специалистов с точки зрения скорости и точности [38]. Компьютерные системы диагностики могут быть дополнены и оснащены методами контролируемого обучения для дальнейшего улучшения интерпретации данных нейровизуализации и помощи в выявлении тонких отклонений в изображениях, которые не обнаружены радиологами. Так, некоторые исследования использовали CNN для прогнозирования диагноза БА и для изучения нормального старения из МРТ и ПЭТ-изображений, иногда наряду с другими клиническими показаниями (например, биомаркерная информация и оценки двигательных или когнитивных показателей) для повышения специфичности [39, 40]. Алгоритмы машинного обучения SVM также использовались для анализа данных МРТ, иногда сочетая структурную и функциональную МРТ, а также данные когнитивной оценки для улучшения диагностики заболеваний. Например, в одном исследовании использовалась SVM для различия между структурными МРТ-сканированиями от лиц с разной тяжестью БА и когнитивно нормальными пожилыми людьми, а также для различения между людьми с БА и лицами с лобно-височной деменцией [41]. В другом исследовании структурных данных МРТ SVM смогла предсказать преобразование от умеренных когнитивных нарушений в БА [42].

В настоящее время существуют успешные попытки применить все возможности систем ИИ для оценки данных нейровизуализации при ОНМК. В частности, для определения времени начала заболевания, сегментации поражения, анализа наличия и возможности возникновения отека мозга, а также для прогнозирования осложнений и результатов лечения.

Для решения проблемы тактики терапии инсульта К. С. Но и соавт. разработали алгоритм глубокого обучения, основанный на архитектуре автокодера, для извлечения признаков визуализации из изображений МР-перфузии (PWI) и определения времени, прошедшего с момента начала инсульта [43].

L. Chen и соавт. на основе данных 741 пациента и модели глубокого обучения, включавшей две нейронные сети, разработали алгоритм сегментации поражений головного при инсульте с помощью DWI-изображений [44]. Измерение перфузионно-диффузионного несоответствия и расчет вероятности формирования зоны ядра инфаркта с использованием подходов на основе МРТ для оценки тканей, подверженных риску, могут применяться при принятии решений о методе лечения инсульта. Часть исследований продемонстрировали высокую способность прогностической оценки геморрагической трансформации, как осложнение реперфузионной терапии инсульта. Так, в многоцентровом ретроспективном исследовании учеными были собраны данные МР-перфузионных изображений у 263 пациентов из четырех медицинских центров, которые служили входными данными для линейных и нелинейных прогностических моделей со средней точностью >85% при прогнозировании ИИ [45]. Несколько исследований показали, что алгоритмы машинного обучения на основание МРТ изображений с использованием шкал (Modified Rankin scale – mRS) и дополнительных параметров (объем инфаркта, NIHSS при поступлении и возраст пациента) также могут помочь и в прогнозировании двигательных нарушений у пациентов с инсультом [30].

Также решающее значение имеют данные МРТ и для постановки диагноза рассеянного склероза (РС), которые позволяют выявить диссеминацию заболевания во времени и пространстве, а также исключить другие заболевания, способные имитировать клинические и лабораторные проявления РС. МР-критерии оценки РС основаны на обнаружении очагов поражения белого вещества головного мозга, которые имеют типичную морфологию, тип распространения и эволюцию. Наибольшую сложность для постановки диагноза и своевременного начала терапии РС представляет дифференциальная диагностика РС с другими поражениями белого вещества головного мозга, такими как мигрень, болезнь мелких сосудов, васкулиты, синдром Сусака, заболевания спектра оптикомиелита и MOG-ассоциированные демиелинизирующие заболевания. В настоящий момент ведется поиск нейровизуализационных признаков, которые могли бы помочь в данных вопросах. Так, в недавних исследованиях выявлено, что для пациентов с РС характерно наличие вены в центре пораженного белого вещества. Согласно исследованиям, у 80% пациентов с РС в центре «свежих» очагов, накапливающих контраст, на высокопольных МРТ отмечалось наличие вены [46]. Кроме того, у пациентов с РС на высокопольных и сверх-высокопольных МРТ выявляется гипоинтенсивный парамагнетический ободок вокруг хронических очагов, связанный с накоплением железа, который отсутствует вокруг очагов при других заболеваниях, сопровождающихся поражением белого вещества [47]. Обнаружение вышеуказанных нейровизуализационных изменений обладает высокой специфичностью и чувствительностью, однако зачастую находится за пределами человеческого восприятия. В связи с этим в настоящий момент разрабатываются алгоритмы искусственного интеллекта, которые, во-первых, позволяют выявлять диссеминацию очагов РС как в пространстве, так и во времени, с высокой точностью регистрируя эволюцию очагов, и, во-вторых, позволят выявлять нейровизуализационные признаки, отличающие РС от заболеваний его имитирующих. Например, исследование S. Wang и соавт., посвященное идентификации рассеянного склероза, было выполнено на основе структуры сверточной сети с высокой точностью диагностики [48, 49].

На развитие технологий ИИ возлагает большие надежды самое распространенное заболевание в неврологии – эпилепсия. Наиболее грозной особенностью которой является непредсказуемость возникновения приступов, сопровождающиеся потерей сознания и высокими рисками травматизации, а также развитием синдрома внезапной смерти [50].

В настоящий момент разрабатываются программы, позволяющие ускорять процесс расшифровки данных ЭЭГ, фиксировать приступы в режиме реального времени, а также предсказывать развитие приступа [51, 52]. Так, Daoud и соавт. разработали компьютерную модель, позволяющую в режиме ЭЭГ-мониторинга, предсказать развитие приступа за час до его появления с точностью 99,6% [51]. Важным направлением является разработка и внедрение Умных браслетов для пациентов с эпилепсией. На основании сигналов от датчиков (гироскопа, датчика активности симпатической нервной системы, акселерометра и датчика температуры) пациент и его родственники быстро получают информацию о первых симптомах разворачивающегося приступа, чтобы оказать своевременную помощь [53]. Кроме того, постоянный мониторинг приступов позволяет вести точный подсчет их количества, давая врачу объективную информацию, необходимую для коррекции терапии и правильного ведения пациента [54].

Искусственный Интеллект открывает возможности изучения эпилептогенеза. Традиционно использовались модели животных, однако в настоящий момент с помощью технологий мы можем интегрировать мультимодальные данные нейровизуализации и ЭЭГ для разработки модели «эпилептического мозга». Эти персонализированные модели, так называемые «виртуальные пациенты с эпилепсией», могут быть использованы для предсказания припадков, а также для планирования хирургических вмешательств и предупреждения их последствий и осложнений [55, 56].

Применение ИИ может быть полезно в качестве инструмента для выявления ранних признаков заболеваний, принятия решений по постановке диагноза, лечения, оценки развития и прогноза заболевания. Широкое внедрение элементов искусственного интеллекта в рутинную практику врачей позволит не только уменьшить время на поиск решений, но и снизить процент диагностических ошибок. Так, московские поликлиники уже начали использовать новый сервис на базе ИИ.

ЗАКЛЮЧЕНИЕ

Цифровые технологии в настоящее время являются наиболее быстро развивающейся областью, имеющей большое значение для здравоохранения. Таким образом, для подготовки врачей необходимы новые программы, охватывающие технологическую, юридическую и клиническую сферы.

Внедрение новых технологий всегда вызывает недоверие не только у населения, но и у медицинских работников, вызванное сомнениями в безопасности данных и этических аспектах. Однако цифровизация информации, доступность интернета и мобильных приложений внедряется и захватывает общественность, формируя новые цифровые навыки у отдельного человека и государства в целом.

Используемые в медицине цифровые технологии обязаны контролироваться специалистами и помогать врачам, выполняя свою ассистирующую функцию. Мы должны понимать, что, несмотря на все положительные моменты данной технологии, ничто не заменит для пациента и врача «живого» общения, а уникальность человеческого ума с его естественным интеллектом в нестандартных ситуациях не способен заменить искусственный. Однако запущенная машина развивается с большой скоростью и ее потенциал огромен, что может повлечь за собой необратимые последствия, как позитивные, так и негативные. На данном этапе, в соответствии с фундаментальной теоремой о биомедицинском информатики Фридмана, не столь отдаленное будущее медицины можно сформулировать так: «Врачи, использующие искусственный интеллект, заменят врачей, которые его не используют» [57, 58].

ЛИТЕРАТУРА

1. Смышляев А.В., Мельников Ю.Ю., Садовская М.А. Нормативно-правовое регулирование развития цифровых технологий в здравоохранении в Российской Федерации. Главврач Юга России 2020;72(2). [Smyshlyaev A. V., Melnikov Yu. Yu., Sadovskaya M. A. The result of the project on the introduction of learn-technologies and a process-oriented approach in the management of medical organization that provides primary healthcare in the Russian Federation. Glavvrach Yuga Rossii = Chief Physician of the South of Russia 2020;72(2). (In Russian)].

2. Adams JL, Myers TL, Waddell EM, Spear KL, Schneider RB. Telemedicine: A valuable tool in neurodegenerative diseases. Curr Geriatr Rep 20209(2):72-81. https://doi.org/10.1007/s13670-020-00311-z.

3. Dorsey ER, Sherer T, Okun MS, Bloem BR. The emerging evidence of the Parkinson pandemic. J Park Dis 2018;8(s1):S3–8. https://doi.org/10.3233/JPD-181474.

4. Paleari L, Malini V, Paoli G, Scillieri S, Bighin C, Blobel B, Giacomini M. EUFunded Telemedicine Projects – Assessment of, and Lessons Learned from, in the Light of the SARS-CoV-2 Pandemic. Front Med (Lausanne) 2022;9:849998. https://doi.org/10.3389/fmed.2022.849998.

5. Kohler JE, Falcone RA Jr, Fallat ME. Rural health, telemedicine and access for pediatric surgery. Curr Opin Pediatr 2019;31(3):391-8. https://doi.org/10.1097/MOP.0000000000000763.

6. Lapointe L, Lavallee-Bourget MH, Pichard-Jolicoeur A, Turgeon-Pelchat C, Fleet R. Impact of telemedicine on diagnosis, clinical management and outcomes in rural trauma patients: A rapid review. Can J Rural Med 2020;25(1):31-40. https://doi.org/10.4103/CJRM.CJRM_8_19.

7. Senbekov M, Saliev T, Bukeyeva Z, Almabayeva A, Zhanaliyeva M, Aitenova N, et al. The Recent Progress and Applications of Digital Technologies in Healthcare: A Review. Int J Telemed Appl 2020;2020:8830200. https://doi.org/10.1155/2020/8830200.

8. Adams JL, Myers TL, Waddell EM, Spear KL, Schneider RB. Telemedicine: A valuable tool in neurodegenerative diseases. Curr Geriatr Rep 2020;9(2):72-81. https://doi.org/10.1007/s13670-020-00311-z

9. Dorsey ER, Deuel LM, Voss TS, Finnigan K, George BP, Eason S, et al. Increasing access to specialty care: a pilot, randomized controlled trial of telemedicine for Parkinson’s disease. Mov Disord 2010;25(11):1652–9. https://doi.org/10.1002/mds.23145.

10. Cubo E, Gabriel-Galan JM, Martinez JS, Alcubilla CR, Yang C, Arconada OF, et al. Comparison of office-based versus home webbased clinical assessments for Parkinson’s disease. Mov Disord 2012;27(2):308–11. https://doi.org/10.1002/mds.24028.

11. Abdolahi A, Bull MT, Darwin KC, Venkataraman V, Grana MJ, Dorsey ER, et al. A feasibility study of conducting the Montreal Cognitive Assessment remotely in individuals with movement disorders. Health Informatics J 2016;22(2):304–11. https://doi.org/10.1177/1460458214556373.

12. Stillerova T, Liddle J, Gustafsson L, Lamont R, Silburn P. Could everyday technology improve access to assessments? A pilot study on the feasibility of screening cognition in people with Parkinson’s disease using the Montreal Cognitive Assessment via Internet videoconferencing. Aust Occup Ther J 2016;63(6):373–80. https://doi.org/10.1111/1440-1630.12288.

13. Dorsey ER, Darwin KC, Mohammed S, Donohue S, Tethal A, Achey MA, et al. Virtual research visits and direct-to-consumer genetic testing in Parkinson's disease. Digit Health 2015;(1):2055207615592998. https://doi.org/10.1177/2055207615592998.

14. Tarolli C, Zimmerman G, Goldenthal S, Feldman B, Berk S, Siddiqi B, et al. Video research visits for atypical parkinsonian syndromes among Fox Trial Finder participants. Neurology 2019;00(00):1–8. https://doi.org/10.1212/ CPJ.0000000000000680.

15. Бриль Е.В., Томский А.А., Поддубская А.А., Гамалея А.А., Федорова Н.В. Анализ причин отказа в нейрохирургическом лечении пациентов с болезнью Паркинсона при направлении в экстрапирамидный центр. Анналы клинической и экспериментальной неврологии 2021;15(3):43-53. [Bril’ E.V., Tomskiy А.A., Poddubskaya A.A., Gamaleya A.A., Fedorova N.V. Analysing the reasons for rejection of neurosurgery intervention in patients with Parkinson’s disease referred to an extrapyramidal movement disorders clinic. Annaly klinicheskoy i eksperimental'noy nevrologii = Annals of clinical and experimental neurology 2021;15(3):43–53. (In Russian)]. http://dx.doi.org/10.54101/ACEN.2021.3.5

16. Jitkritsadakul O, Rajalingam R, Toenjes C, Munhoz RP, Fasano A. Tele-health for patients with deep brain stimulation: the experience of the Ontario Telemedicine Network. Mov Disord 2018;33(3):491–2. https://doi.org/10.1002/mds.27230.

17. Sekimoto S, Oyama G, Chiba S, Nuermaimaiti M, Sasaki F, Hattori N. Holomedicine: Proof of the Concept of Interactive Three-Dimensional Telemedicine. Mov Disord 2020;35:1719-20. https://doi.org/10.1002/mds.28249.

18. Azad N, Amos S, Milne K, Power B. Telemedicine in a rural memory disorder clinic-remote management of patients with dementia. Can Geriatr J 2012;15(4):96–100. https://doi.org/10.5770/cgj.15.28.

19. Barton C, Morris R, Rothlind J, Yaffe K. Video-telemedicine in a memory disorders clinic: evaluation and management of rural Curr Geri Rep elders with cognitive impairment. Telemed J E Health 2011;17(10):789–93. https://doi.org/10.1089/tmj.2011.0083.

20. Powers JS, Buckner J. Reaching out to rural caregivers and veterans with dementia utilizing clinical video-telehealth. Geriatrics (Basel) 2018;3(2):29. https://doi.org/10.3390/geriatrics3020029.

21. Dang S, Gomez-Orozco CA, van Zuilen MH, Levis S. Providing dementia consultations to veterans using clinical video telehealth: results from a clinical demonstration project. Telemed J E Health 2018;24(3):203–9. https://doi.org/10.1089/tmj.2017.0089.

22. Vitacca M, Comini L, Assoni G, Fiorenza D, GilЏ S, Bernocchi P, Scalvini S. Tele-assistance in patients with amyotrophic lateral sclerosis: long term activity and costs. Disabil Rehabil Assist Technol 2012;7(6):494-500. https://doi.org/10.3109/17483107.2011.652999.

23. De Marchi F, Contaldi E, Magistrelli L, Cantello R, Comi C, Mazzini L. Telehealth in Neurodegenerative Diseases: Opportunities and Challenges for Patients and Physicians. Brain Sci 2021;11(2):237. https://doi.org/10.3390/ brainsci11020237.

24. Wilkinson JR, Spindler M, Wood SM, Marcus SC, Weintraub D, Morley JF, et al. High patient satisfaction with telehealth in Parkinson disease: a randomized controlled study. Neurol Clin Pract 2016;6(3):241–51. https://doi.org/10.1212/ CPJ.0000000000000252.

25. Dang S, Gomez-Orozco CA, van Zuilen MH, Levis S. Providing dementia consultations to veterans using clinical video telehealth: results from a clinical demonstration project. Telemed J E Health 2018;24(3):203–9. https://doi.org/10.1089/tmj.2017.0089.

26. Moo LR, Gately ME, Jafri Z, Shirk SD. Home-based video telemedicine for dementia management. Clin Gerontol 2020;43(2):193-203. https://doi.org/10.1080/07317115.2019.1655510.

27. Afzal HMR, Luo S, Ramadan S, Lechner-Scott J. The emerging role of artificial intelligence in multiple sclerosis imaging. Mult Scler 2022;28(6):849-58. https://doi.org/10.1177/1352458520966298.

28. Zhang L, Tan J, Han D, Zhu H. From machine learning to deep learning: progress in machine intelligence for rational drug discovery. Drug Discov Today 2017;22(11):1680-5. https://doi.org/10.1016/j.drudis.2017.08.010.

29. Sakai K, Yamada K. Machine learning studies on major brain diseases: 5-year trends of 2014-2018. Jpn J Radiol 2019;37(1):34-72. https://doi.org/10.1007/s11604-018-0794-4.

30. Андропова П.Л., Гаврилов П.В., Савинцева Ж.И., Вовк А.В., Рыбин Е.В. Применение систем искусственного интеллекта в нейрорадиологии острого ишемического инсульта. Лучевая диагностика и терапия 2021;12(2):30-5. [Andropova Р.L., Gavrilov P.V., Savintseva Zh.I., Vovk А.V., Rybin Е.V. Аpplication of artificial intelligence systems in neuroradiology of acute ischemic stroke. Luchevaya diagnostika i terapiya = Diagnostic radiology and radiotherapy 2021;12(2):30-5. (In Russian)]. https://doi.org/10.22328/2079-5343-2021-12-2-30-36.

31. Kovalenko E, Talitckii A, Anikina A, Shcherbak A, Dylov DV, Somov A et al. Distinguishing between Parkinson's disease and essential tremor through video analytics using machine learning: a pilot study. IEEE Sensors Journal 2021;21(10):11916-25. https://doi.org/10.1109/JSEN.2020.3035240

32. Talitckii A, Kovalenko E, Anikina A, Shcherbak A, Dylov DV, Somov A et al. Avoiding misdiagnosis of Parkinson's disease with the use of wearable sensors and artificial intelligence. IEEE Sensors Journal 2021;21(3):3738-47. http://dx.doi.org/10.1109/JSEN.2020.3027564

33. Talitckii A, Kovalenko E, Shcherbak A, Anikina A, Dylov DV, Somov A et al. Comparative study of werable sensors, video, and handwriting to detect Parkinson's disease. IEEE Transactions on Instrumentation and Measurement 2022;71:2509910. http://dx.doi.org/10.1109/TIM.2022.3176898

34. Myszczynska MA, Ojamies PN, Lacoste AMB, Neil D, Saffari A, Mead R, et al. Applications of machine learning to diagnosis and treatment of neurodegenerative diseases. Nat Rev Neurol 2020;16(8):440-56. https://doi.org/10.1038/ s41582-020-0377-8.

35. Griffiths RI, Kotschet K, Arfon S, Xu ZM, Johnson W, Drago J, Evans A, Kempster P, Raghav S, Horne MK. Automated assessment of bradykinesia and dyskinesia in Parkinson's disease. J Parkinsons Dis 2012;2(1):47-55. https://doi.org/10.3233/JPD-2012-11071.

36. Oung, Q.W., Muthusamy, H., Basah, S.N. et al. Empirical Wavelet Transform Based Features for Classification of Parkinson’s Disease Severity. J Med Syst 2018;42(2):29. https://doi.org/10.1007/s10916-017-0877-2

37. Belić M, Bobić V, Badža M, Šolaja N, Đurić-Jovičić M, Kostić VS. Artificial intelligence for assisting diagnostics and assessment of Parkinson's disease-A review. Clin Neurol Neurosurg 2019;184:105442. https://doi.org/10.1016/j.clineuro.2019.105442.

38. SUMMERS, Mathew J, Madl T, Vercelli EA. Deep Machine Learning Application to the Detection of Preclinical Neurodegenerative Diseases of Aging. DigitCult – Scientific Journal on Digital Cultures 2017;2(2):9-24. http://dx.doi.org/10.4399/97888255088952.

39. Choi H, Kang H, Lee DS; Alzheimer's Disease Neuroimaging Initiative. Predicting Aging of Brain Metabolic Topography Using Variational Autoencoder. Front Aging Neurosci 2018;10:212. https://doi.org/10.3389/fnagi.2018.00212.

40. . Lundervold AS, Lundervold A. An overview of deep learning in medical imaging focusing on MRI. Z Med Phys 2019;29(2):102-27. https://doi.org/10.1016/j.zemedi.2018.11.002.

41. Myszczynska MA, Ojamies PN, Lacoste AMB, Neil D, Saffari A, Mead R, Hautbergue GM, Holbrook JD, Ferraiuolo L. Applications of machine learning to diagnosis and treatment of neurodegenerative diseases. Nat Rev Neurol 2020;16(8):440-56. https://doi.org/10.1038/s41582-020-0377-8.

42. Bron EE, Smits M, Niessen WJ, Klein S. Feature Selection Based on the SVM Weight Vector for Classification of Dementia. IEEE J Biomed Health Inform 2015;19(5):1617-26. https://doi.org/10.1109/JBHI.2015.2432832.

43. Ho KC, Speier W, El-Saden S, Arnold CW. Classifying acute ischemic stroke onset time using deep imaging features. AMIA Annual Symposium Proceedings. Washington 2018;2017:892–901.

44. Chen L, Bentley P, Rueckert D. Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks. NeuroImage 2017;5:633–43. https://doi.org/10.1016/j.nicl.2017.06.016

45. Scalzo F, Alger JR, Hu X, Saver JL, Dani KA, Muir KW. Multi-center prediction of hemorrhagic transformation in acute ischemic stroke using permeability imaging features. Magn Reson Imag 2018;31(6):961–9.https://doi.org/10.1016/ j.mri.2013.03.013.

46. Solomon AJ, Watts R, Ontaneda D, Absinta M, Sati P, Reich DS. Diagnostic performance of central vein sign for multiple sclerosis with a simplified three-lesion algorithm. Mult Scler 2018;24(6):750-7. https://doi.org/10.1177/1352458517726383.

47. Filippi M, Preziosa P, Arnold DL, Barkhof F, Harrison DM, Maggi P, et al. Present and future of the diagnostic work-up of multiple sclerosis: the imaging perspective. J Neurol 2023;270(3):1286-99. https://doi.org/10.1007/s00415-022-11488-y.

48. Wang SH, Tang C, Sun J, Yang J, Huang C, Phillips P, Zhang YD. Multiple Sclerosis Identification by 14-Layer Convolutional Neural Network With Batch Normalization, Dropout, and Stochastic Pooling. Front Neurosci 2018;12:818. https://doi.org/10.3389/fnins.2018.00818.

49. Zhang YD, Pan C, Sun J, Tang C. Multiple sclerosis identification by convolutional neural network with dropout and parametric ReLU. J Comput Sci 2018;28:1-10. https://doi.org/10.1016/j.jocs.2018.07.003.

50. Nair PP, Aghoram R, Khilari ML. Applications of artificial intelligence in epilepsy. International Journal of Advanced Medical and Health Research 2021;8(2):41-8. https://doi.org/10.21037/pm-21-26

51. Daoud H, Bayoumi MA. Efficient Epileptic Seizure Prediction Based on Deep Learning. IEEE Trans Biomed Circuits Syst 2019;13(5):804-13.https://doi.org/10.1109/TBCAS.2019.2929053.

52. Murashov D, Obukhov Y, Kershner I, Sinkin M. An algorithm for automated detection of delayed brain ischemia indicator from video-EEG monitoring data. Int Arch Photogramm Remote Sens Spatial Inf Sci 2023;187–192. https://doi.org/10.5194/isprs-archives-XLVIII-2-W3-2023-187-2023.

53. Yu S, El Atrache R, Tang J, Jackson M, Makarucha A, Cantley S, et al. Artificial intelligence-enhanced epileptic seizure detection by wearables. Epilepsia 2023;64:3213–26. https://doi.org/10.1111/epi.17774.

54. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Multimodal wrist-worn devices for seizure detection and advancing research: Focus on the Empatica wristbands. Epilepsy Res 2019;153:79-82. https://doi.org/10.1016/ j.eplepsyres.2019.02.007.

55. An S, Kang C, Lee HW. Artificial Intelligence and Computational Approaches for Epilepsy. J Epilepsy Res 2020;10(1):8-17. https://doi.org/10.14581/jer.20003.

56. Jirsa VK, Proix T, Perdikis D, Woodman MM, Wang H, Gonzalez-Martinez J, et al. The Virtual Epileptic Patient: Individualized whole-brain models of epilepsy spread. Neuroimage 2017;145(Pt B):377-88. https://doi.org/10.1016/ j.neuroimage.2016.04.049.

57. Карпов О.Э., Андриков Д.А., Максименко В.А., Храмов А.Е. Прозрачный искусственный интеллект для медицины. Врач и информационные технологии 2022;2:4-11. [Karpov O.E., Andrikov D.A., Maksimenko V.A, Hramov A.E. Explainable artificial intelligence for medicine. Vrach i informatsionnyye tekhnologii = Medical doctor and information technology 2022;2:4-11. (In Russian)]. https://doi.org/10.25881/18110193_2022_2_4.

58. Friedman CP. A «fundamental theorem» of biomedical informatics. J Am Med Inform Assoc 2009;16(2):169-70. https://doi.org/10.1197/jamia.M3092.