Im Rahmen des PCompanion-Projekts sollte ein patientenzentriertes Screening- und Überwachungssystem für die Parkinson-Krankheit entwickelt werden. Der Schwerpunkt lag dabei auf der Erkennung von REM-Schlafstörungen (Rapid-Eye-Movement) durch die automatische Analyse polysomnographischer Daten. Im Rahmen des Teilprojekts zur prädiktiven Analyse extrahierten die Forscher REM-Phasensegmente aus den nächtlichen Aufzeichnungen einer kleinen Patientenkohorte und wandten sieben überwachte Algorithmen des maschinellen Lernens an – AdaBoost.M1, ein neuronales Netzwerk, Naïve Bayes, ein Perceptron, Random Forest, eine Support-Vektor-Maschine und ein Basismodell -, um RBD- und Nicht-RBD-Episoden zu klassifizieren. Es wurde ein vierfaches Kreuzvalidierungsschema verwendet, das sicherstellte, dass die Daten eines jeden Patienten jeweils nur in einem Fold erschienen. Die sich daraus ergebenden Leistungskennzahlen, gemittelt über die vier Foldings, sind im Folgenden zusammengefasst: AdaBoost.M1 erreichte eine Spezifität von 0,711 und eine Sensitivität von 0,512, was einen F1-Score von 0,177 und eine Fläche unter der ROC-Kurve (AUC) von 0,612 ergab. Das neuronale Netzwerk erzielte eine ähnliche Leistung mit einer Spezifität von 0,702, einer Sensitivität von 0,583, einem F1-Wert von 0,190 und einer AUC von 0,643. Naïve Bayes ergab eine Spezifität von 0,700, eine Sensitivität von 0,576, eine F1 von 0,216 und eine AUC von 0,701. Die Perceptron- und Random-Forest-Modelle zeigten eine höhere Sensitivität (0,718 bzw. 0,702), aber eine geringere Spezifität (0,572 und 0,470), was zu F1-Werten um 0,19 und AUCs zwischen 0,586 und 0,645 führte. Die Support-Vektor-Maschine lieferte die höchste Spezifität (0,730), aber eine geringere Sensitivität (0,565), mit einem F1-Wert von 0,189 und einer AUC von 0,647. Keiner der Algorithmen erreichte gleichzeitig eine hohe Spezifität und Sensitivität; die F1-Werte blieben unter 0,22 und die AUC-Werte bewegten sich um 0,6-0,7. Diese bescheidenen Ergebnisse sind in erster Linie auf den begrenzten Umfang des Datensatzes und das starke Klassenungleichgewicht zwischen RBD- und Nicht-RBD-Episoden zurückzuführen. Im Rahmen des Projekts wurden verschiedene Sampling-Strategien erprobt, um dieses Ungleichgewicht abzumildern. Die Leistungssteigerungen waren jedoch marginal, was die Notwendigkeit größerer, ausgewogenerer Datensammlungen unterstreicht. Zukünftige Arbeiten umfassen die Beschaffung zusätzlicher Aufnahmen aus verschiedenen Quellen, die Verfeinerung des Beschriftungsprozesses, indem jede Episode von mindestens drei unabhängigen Experten kommentiert wird, und die Verwendung der Konsensbeschriftungen als Zielvariable für das Training robusterer Modelle. Die prädiktive Analyse-Engine, die derzeit als ausführbares Windows-Programm verfügbar ist, hat die Analyse der Studiendaten bereits erleichtert und muss in einer größeren klinischen Studie validiert werden, bevor sie in der Routinepraxis eingesetzt werden kann. Die begleitende Webanwendung, die im Rahmen des Teilprojekts App und Infrastruktur entwickelt wurde, ist voll funktionsfähig und hat positives Feedback von Patienten erhalten, was darauf hindeutet, dass sie weiter auf die Bedürfnisse der Benutzer zugeschnitten werden kann.
Die Zusammenarbeit war von zentraler Bedeutung für den Fortschritt des Projekts. Zu den Hauptpartnern gehören das Fraunhofer-Institut für Software- und Systemtechnik (ISST), das Institut für Arbeitsschutz (IAW) und das Universitätsklinikum RWTH Aachen (UKA). Das Fraunhofer ISST war federführend bei der Entwicklung der prädiktiven Analysesoftware und der Datenverarbeitungspipeline, während das IAW seine Expertise bei der Datenerfassung und statistischen Validierung beisteuerte. Das UKA stellte die klinischen Daten zur Verfügung, lieferte Expertenkommentare und bot klinische Aufsicht, um sicherzustellen, dass das System mit den Anforderungen der Patientenversorgung übereinstimmt. Das Projekt wurde durch ein deutsches Forschungsstipendium finanziert, das dem Konsortium gewährt wurde, wobei die finanzierende Einrichtung als Zuwendungsempfänger fungierte. Die Zusammenarbeit erstreckte sich über mehrere Jahre, in denen das Team die Datenerfassung, die Entwicklung von Algorithmen und die iterative Verfeinerung der Benutzeroberfläche koordinierte. Die gemeinsamen Bemühungen haben zu einem Prototypsystem geführt, das die Machbarkeit der automatischen RBD-Erkennung demonstriert und die Grundlage für künftige groß angelegte Validierungsstudien zur Verbesserung der Frühdiagnose der Parkinson-Krankheit und des Patientenmanagements bildet.