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

Резюме
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.

В последние годы в мировой научной и клинической практике наблюдается устойчивый рост интереса к разработке и внедрению цифровых технологий для диагностики, мониторинга и реабилитации пациентов с болезнью Паркинсона (БП) [1]. Актуальность данного направления обусловлена не только высокой распространенностью заболевания и его значимым влиянием на качество жизни пациентов, но и объективной необходимостью повышения точности диагностики, совершенствования методов оценки динамики состояния и обеспечения персонализированного подхода к терапии [2]. По данным Всемирной организации здравоохранения, распространенность БП неуклонно возрастает: если в 1990 году число пациентов оценивалось примерно в 2,5 млн человек, то к 2019 году оно превысило 6 млн, а к середине XXI века прогнозируется удвоение этой цифры вследствие глобального старения населения [3]. Заболеваемость характеризуется выраженной возрастной зависимостью, достигая максимальных показателей у людей старше 65 лет, что обусловливает особую нагрузку на системы здравоохранения и социального обеспечения [4].

В совокупности современные научные изыскания в области нейродегенеративных заболеваний свидетельствуют о последовательном и устойчивом росте интереса к использованию цифровых технологий и методов машинного обучения в клинической практике, направленных на объективизацию диагностики и мониторинга двигательных нарушений при БП и смежных патологиях [5]. Если в ранних исследованиях приоритет отдавался традиционным клиническим шкалам, таким как MDS-UPDRS, значение которых ограничивалось субъективностью оценок и высокой межэкспертной вариабельностью, то новейшие подходы демонстрируют смещение исследовательского фокуса в сторону инструментальных методов анализа, основанных на сенсорных системах, технологиях видеотрекинга и алгоритмах искусственного интеллекта (ИИ) [6]. Данный сдвиг отражает стремление к формированию более точной, воспроизводимой и стандартизированной диагностики, а также к раннему выявлению нарушений, которые зачастую ускользают от клинического наблюдения на начальных стадиях заболевания [7].

Стоит отметить, что данные технологии обладаю�� потенциалом масштабирования, могут применяться без использования дорогостоящего оборудования и открывают перспективы проведения диагностики в домашних условиях [8]. Тем не менее, несмотря на очевидные преимущества, сохраняются значительные методологические ограничения, связанные с отсутствием единых исследовательских протоколов, дефицитом многоцентровых и длительных наблюдательных проектов, а также ограниченной репрезентативностью изучаемых когорт [9].

Важным направлением современного развития становится интеграция цифровых технологий в сферу персонализированного ведения пациентов, что проявляется в создании инструментов для оценки эффективности фармакотерапии и методов нейростимуляции [10], внедрении решений на основе виртуальной реальности для когнитивно-моторной диагностики [11], а также в применении игровых и телереабилитационных платформ, способствующих повышению приверженности пациентов к терапевтическим стратегиям [12]. Вместе с тем до настоящего времени остаются нерешенными вопросы стандартизации и унификации данных, клинической валидации алгоритмов, а также обеспечения соблюдения этических и правовых норм, включая аспекты защиты персональной информации и конфиденциальности [13].

Существенным направлением является развитие технологий компьютерного зрения и глубокого обучения, позволяющих осуществлять автоматизированный бесконтактный анализ движений, включая походку, тремор, брадикинезию и нарушения координации [14]. Использование таких инструментов, как DeepLabCut и MediaPipe, открывает возможности для масштабирования методов объективной оценки и их применения в клинической практике и домашних условиях [15]. Однако, несмотря на продемонстрированную эффективность, сохраняется необходимость валидации этих подходов в условиях клинической практики, а также адаптации их для использования в реальном времени и в многоцентровых исследованиях [16].

МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

Материалы и методы настоящего обзора основаны на систематическом поиске и анализе рецензируемых научных публикаций, посвященных вопросам разработки, архитектурных особенностей и логики функционирования цифровых систем, предназначенных для оценки неврологической дисфункции у пациентов с БП. Поиск осуществлялся с 2020 по 2025 год в международных библиографических базах данных PubMed, Scopus, Web of Science (WoS), а также в российской научной электронной библиотеке elibrary.ru. Целью отбора источников было выявление актуальных данных о принципах построения и функционирования цифровых платформ, применяемых для диагностики, мониторинга и реабилитации пациентов с нейродегенеративными заболеваниями, с акцентом на БП.

Для поиска использовались ключевые термины, отражающие различные аспекты цифровой медицины и нейродиа-гностики, включая «Parkinson’s disease», «digital biomarkers», «computer vision», «machine learning», «telemedicine platforms», «neurological assessment systems» и «cloud diagnostics». Отбор статей осуществлялся по критериям релевантности, научной значимости и новизны, приоритет отдавался оригинальным исследованиям, комплексным аналитическим обзорам и публикациям, содержащим описание архитектурных решений, алгоритмических подходов и клинической апробации цифровых систем.

Методологический подход включал критический анализ и систематизацию полученных данных с целью выявления ключевых направлений развития цифровых технологий в области паркинсонизма, определения повторяющихся закономерностей в построении архитектуры систем и логики их функционирования, а также сравнительную оценку преимуществ и ограничений различных решений.

РЕЗУЛЬТАТЫ

Результаты проведенного анализа свидетельствуют о том, что современные цифровые технологии в области неврологии демонстрируют высокий потенциал в разработке новых подходов к диагностике, мониторингу и ведению пациентов с БП и другими нейродегенеративными расстройствами [17]. Одним из ключевых направлений стало формирование концепции цифровых биомаркеров, способных обеспечивать объективную оценку моторных и немоторных функций, а также динамики заболевания в реальном времени [18]. Их использование позволяет не только фиксировать эффективность терапии, но и корректировать дозировку препаратов, отслеживать побочные эффекты и выявлять закономерности прогрессирования болезни, что делает их важным инструментом для персонализированного ведения пациентов [19].

В ряде исследований показано, что новые цифровые инструменты способны компенсировать ограничения традиционных нейропсихологических методик, предлагая более объективные и воспроизводимые подходы к оценке когнитивного и моторного статуса пациентов, при этом акцент делается на соблюдении этических норм и разработке практических сценариев интеграции в клинический процесс [20]. В России одним из проектов, реализующих принцип мультиомиксного анализа данных о пациентах с БП, является проект Parkinson Expert System (PES), представляющий собой многоуровневую платформу цифрового мониторинга, интегрирующую стационарные, мобильные и облачные компоненты.

Архитектура системы включает в себя:

• Hospital Diagnostics Complex – HDC (комплекс клинической диагностики), предназначенный для применения в клинических условиях неврологами и позволяющий стандартизировать диагностику и регистрацию результатов обследования в стационаре;
• Mobile Diagnostics System – MDC (мобильную систему диагностики), обеспечивающую дистанционное взаимодействие пациента и врача, контроль выполнения предписанных упражнений, а также ведение системы учета и напоминаний о приеме лекарственных средств;
• Cloud Diagnostics System – CDC (облачную диагностическую систему), которая служит вычислительной основой проекта и предназначена для реализации алгоритмов машинного обучения, анализа больших массивов данных и формирования прогностических моделей течения заболевания.

Система PES сочетает в себе применение валидированных клинических шкал и опросников с объективными цифровыми методами оценки моторных нарушений. В ее рамках используются такие шкалы, как модифицированная шкала Хен и Яра, шкала качества жизни PDQ-39, шкала повседневной активности Schwab & England, госпитальная шкала тревоги и депрессии HADS, батарея оценки лобной дисфункции FAB, а также опросник MDS-UPDRS (части I и II). Кроме того, особое внимание уделяется объективизации данных раздела III шкалы MDS-UPDRS, связанного с моторными функциями. Для этого реализованы видеотесты, аудиотесты и графические задания, включающие оценку мимики, постукивания пальцами и носком стопы, кистевых движений, пронации/супинации, способности вставать с кресла, анализа походки, а также выполнение графических проб, таких как оценка почерка и рисование спирали.

Отдельное направление связано с применением технологий носимой электроники и систем компьютерного зрения для анализа походки, позволяющих выявлять сильные и слабые стороны различных подходов, а также оценивать их клиническую применимость [21]. Масштабные обзоры подтверждают, что сенсорные данные могут классифицировать и количественно определять статус болезни, обеспечивая основу для более точного стратифицирования пациентов [22].

Особое внимание уделяется применению алгоритмов ИИ и видеоанализа, которые повышают точность объективизации моторных нарушений и обладают высоким потенциалом масштабирования в клинической практике [23]. Продемонстрировано, что использование инерциальных сенсоров позволяет достоверно регистрировать корреляцию между объективными показателями и клиническими шкалами, при этом их оптимальное размещение на теле пациента существенно влияет на точность получаемых данных [24]. Современные исследования также демонстрируют эффективность инструментов машинного и глубокого обучения для дифференциации пациентов с БП от здоровых добровольцев, а также для определения выраженности симптомов и оценки ответа на терапию [25].

Накопленные данные подтверждают высокую точность цифровых моделей при классификации походки, отслеживании изменений мимики, движений конечностей и анализа почерка, что коррелирует с клиническими показателями UPDRS [26]. При этом отдельные проекты, включая разработку специализированных мобильных приложений, таких как PDMonitor™ или STAT-ON™, продемонстрировали возможность их применения в условиях реальной жизни, хотя сохраняются вопросы, связанные с валидацией, удобством использования и долгосрочной приверженностью пациентов [27].

Современные цифровые системы также подтверждают возможность применения технологий виртуальной реальности, которые позволяют оценивать когнитивные и моторные функции в динамике, обеспечивая как клиническую валидность, так и высокий уровень вовлеченности пациентов. Наработки в области создания открытых датасетов и инструментов анализа движений, таких как TULIP или MADS, закладывают основу для стандартизации цифровых биомаркеров и разработки автоматизированных диагностических решений нового поколения.

Cовременные цифровые системы опираются на широкий спектр технологий, включая сенсорные устройства, мобильные приложения, алгоритмы машинного обучения и методы компьютерного зрения. Исследования подтверждают высокую чувствительность цифровых метрик к моторным нарушениям, таким как брадикинезия, тремор и нарушения походки, в том числе с применением видеотрекинга, сенсорных технологий и смартфон-инструментированных тестов [28]. При этом использование алгоритмов глубокого обучения и компьютерного зрения позволяет повысить точность оценки выраженности симптомов, снижая зависимость от субъективных клинических шкал, хотя сохраняется необходимость валидации и стандартизации методик [29].

Полученные данные указывают на высокую корреляцию цифровых показателей с традиционными шкалами, такими как UPDRS и ALS-FRS(R), что подтверждает их клиническую применимость. Однако исследования демонстрируют также определенные ограничения: неоднородность протоколов, вариабельность когорт пациентов и различия в методологических подходах затрудняют сопоставимость результатов, указывая на необходимость разработки единых стандартов для цифровых биомаркеров.

Наряду с этим отдельное направление составляет анализ глазодвигательной активности и цифровых электромиографических параметров, которые подтверждают роль DEMOs как чувствительных биомаркеров неврологического дефицита, расширяя спектр диагностических возможностей [30]. Развитие систем постоянного мониторинга, таких как QDG Mobility Score, продемонстрировало полное соблюдение протоколов пациентами на протяжении длительных периодов наблюдения и корреляцию с функциональными шкалами повседневной активности и терапевтическими ответами. Параллельно создаются алгоритмические решения для других нейродегенеративных патологий, включая боковой амиотрофический склероз, где системы nQiALS показали высокие диагностические характеристики при выявлении заболевания и оценке темпов его прогрессирования.

Современные цифровые платформы интегрируют возможности телемедицины, что особенно значимо в контексте объективизации оценки спастичности и удаленных клинических осмотров. Новые шкалы продемонстрировали конкурентную или превосходящую надежность по сравнению с традиционными методиками, обеспечивая воспроизводимость и точность амбулаторных наблюдений. Важное место занимают видеоаналитические технологии, которые не только превзошли традиционные тесты двигательных функций в классификации заболеваний, но и позволили выявлять такие параметры, как нарушения походки и особенностей движений рук, ранее недоступные в рамках стандартных инструментов. В этом же направлении значимым является создание систем реального времени для оценки брадикинезии и тремора, достигших более 90% точности при выявлении тремора покоя кистей.

Применение методов компьютерного зрения в автоматизированной 2D- и 3D-оценке движений демонстрирует высокую перспективность, что подтверждается значительным числом исследований, сфокусированных на методологиях, наборах данных и междисциплинарных вызовах. Дополнительным ресурсом в формировании единого научно-методологического пространства выступают крупные компендии, систематизирующие клинические и патогенетические данные по двигательным расстройствам, включая БП, тремор, дистонии и другие гипо- и гиперкинетические синдромы, с привлечением цифровых видеоматериалов и визуализированных клинических кейсов.

Ключевым направлением развития остается использование алгоритмов классификации, позволяющих достигать высокой точности при дифференциальной диагностике и оценке тяжести состояний. Так, модели, опирающиеся на интеграцию возрастных данных с моторными признаками, демонстрируют до 96% точности, а использование только отдельных цифровых показателей позволяет достичь практически стопроцентно правильной классификации. В исследованиях, посвященных другим нозологиям, например боковому амиотрофическому склерозу, также показана тесная взаимосвязь объективных цифровых метрик верхних конечностей с валидированными клиническими шкалами, что подтверждает универсальность цифровых подходов.

Параллельно развивается направление удаленных обследований с применением стандартных видеоплатформ, включая Zoom, что открывает возможности для количественной регистрации дыхательных и моторных показателей у пациентов с миастенией, хотя сохраняются определенные технические ограничения, связанные с качеством записи и стандартизацией условий обследования.

В отечественной практике активное развитие получают интегрированные телемедицинские решения, такие как платформы «СберЗдоровье» и аналогичные сервисы, обеспечивающие не только дистанционное консультирование, но и возможность включения цифровых модулей мониторинга неврологических симптомов. Использование таких продуктов позволяет расширить охват пациентов, повысить доступность специализированной помощи, а также интегрировать результаты объективных цифровых тестов в электронные медицинские карты, что создает основу для формирования единого контура цифрового здравоохранения и поддержки клинического принятия решений в условиях ограниченного доступа к узким специалистам. Внедрение отечественных телемедицинских систем в сочетании с цифровыми биомаркерами и алгоритмами машинного обучения формирует уникальную экосистему, обеспечивающую сопоставимость с зарубежными аналогами и при этом учитывающую национальные особенности регулирования и организации медицинской помощи.

В данном контексте архитектура платформы Parkinson Expert System (PES) органично вписывается в международные тенденции. Ее многоуровневая структура, включающая стационарный диагностический модуль HDC, мобильный комплекс MDC и облачную систему CDC, позволяет интегрировать субъективные данные клинических шкал и опросников с объективными цифровыми метриками, что обеспечивает комплексный подход к оценке состояния пациента.

Вместе с тем остаются нерешенными проблемы, связанные с неоднородностью методологических подходов, вариабельностью протоколов, ограниченной репрезентативностью исследуемых когорт и риском смещения данных. Исследователи подчеркивают необходимость разработки единых стандартов сбора, обработки и интерпретации цифровых данных, что позволит повысить сопоставимость результатов и ускорить их трансляцию в клиническую практику.

ОБСУЖДЕНИЕ

В современных исследованиях цифровые технологии демонстрируют существенный потенциал для трансформации диагностики и мониторинга неврологических нарушений, в частности у пациентов с БП. Цифровые биомаркеры и сенсорные устройства позволяют получать объективные, количественные данные о моторных функциях, включая показатели походки, тремора, моторики верхних конечностей и других аспектов двигательной активности. Применение носимых датчиков, видеосистем и мобильных платформ обеспечивает возможность непрерывного наблюдения за пациентами, что существенно повышает точность оценки тяжести заболевания и эффективности терапии.

Современные подходы, основанные на компьютерном зрении и алгоритмах глубокого обучения, предоставляют возможность автоматизированного анализа видео- и сенсорных данных, снижая субъективность традиционной визуальной оценки движений и повышая воспроизводимость результатов. Такие технологии позволяют выявлять ключевые особенности моторных нарушений, включая замедленность движений, нарушения координации и тремор, а также обеспечивают анализ сложных паттернов движения в естественных условиях. Цифровые платформы с интеграцией интерактивных интерфейсов и игровых элементов способствуют удаленному мониторингу моторных функций и персонализированному подходу к оценке симптоматики.

Несмотря на значительные достижения, современные цифровые системы сталкиваются с рядом ограничений. Одной из ключевых проблем остается гетерогенность данных, недостаток стандартизированных наборов и ограниченная доступность больших валидированных выборок, что затрудняет обобщение результатов и сравнение различных методик. Методологическая неоднородность, необходимость ручной разметки данных и зависимость алгоритмов от качества обучающих наборов могут снижать точность и воспроизводимость оценок. Кроме того, внедрение технологий в клиническую практику сопряжено с вызовами, связанными с соблюдением этических норм, защитой данных больных, удобством использования устройств и уровнем приверженности пациентов.

Анализ литературы указывает на значительные достижения в области разработки и верификации цифровых биомаркеров, включая алгоритмы для обработки данных, полученных с помощью видеозаписей, смартфонов и виртуальной реальности. Такие инструменты демонстрируют способность точно измерять параметры, связанные с движением, речью и когнитивными функциями, а также предоставлять данные, позволяющие проводить дистанционное наблюдение пациентов в условиях, приближенных к реальной жизни. Использование виртуальных симуляций и машинного обучения обеспечивает более детализированную оценку моторных и когнитивных функций, способствуя раннему выявлению субклинических изменений.

Сравнительный анализ современных цифровых систем выявляет важность стандартизации протоколов тестирования, алгоритмов обработки сигналов и методов валидации данных для повышения клинической значимости получаемых показателей. Исследования также подчеркивают необходимость проведения длительных проспективных наблюдений для оценки чувствительности цифровых биомаркеров к изменениям в состоянии пациентов и их корреляции с традиционными шкалами, такими как ALS-FRS (R) или шкалы спастичности.

Кроме того, в литературе отмечается, что новые подходы к оценке моторной функции, включая использование глазодвигательных тестов, измерение амплитуды движения рук и виртуальные упражнения, могут служить высокочувствительными индикаторами неврологического повреждения, позволяя выделять особенности, которые остаются незамеченными при стандартных клинических методах. Подобные методы обеспечивают более комплексную и количественную оценку состояния пациентов, расширяя возможности персонализированной диагностики и прогнозирования.

Особое внимание уделяется экосистемной интеграции цифровых решений, включая сочетание мобильных приложений, носимых сенсоров, ИИ и дистанционного мониторинга, что позволяет создавать более комплексные и информативные инструменты для оценки прогрессирования болезни и терапии. Применение машинного обучения и глубоких нейронных сетей обеспечивает повышение точности классификации стадий заболевания и прогнозирования клинических исходов, однако требует тщательной валидации и адаптации под реальные клинические условия.

ЗАКЛЮЧЕНИЕ

В последние годы наблюдается устойчивый рост интереса к цифровым технологиям в области диагностики, мониторинга и реабилитации пациентов с БП. Разработка цифровых биомаркеров, использование носимых сенсоров, мобильных платформ, видеотрекинга и алгоритмов машинного обучения позволяют получать объективные и воспроизводимые данные о моторных и немоторных функциях, обеспечивая более точную оценку тяжести заболевания и эффективности терапии. Применение таких технологий открывает возможности раннего выявления субклинических нарушений, индивидуализации подходов к лечению и непрерывного наблюдения за пациентами в естественных условиях их повседневной активности.

Современные цифровые платформы, включая платформы «СберЗдоровье» и PES, интегрируют клинические шкалы с объективными цифровыми метриками, обеспечивая комплексный подход к оценке состояния пациента и поддерживая телемедицинские функции. Использование алгоритмов глубокого обучения и компьютерного зрения способствует повышению точности диагностики и мониторинга моторных нарушений, снижая субъективность традиционных методов. Внедрение подходов виртуальной реальности, игровых платформ и дистанционных инструментов реабилитации способствует повышению приверженности пациентов и персонализации восстановительных программ.

Вместе с тем сохраняются значимые ограничения, связанные с гетерогенностью данных, отсутствием единых стандартов протоколов, недостатком крупных многоцентровых и длительных исследований, а также необходимостью валидации алгоритмов в реальных клинических условиях. Для дальнейшего прогресса требуется унификация методов сбора, обработки и интерпретации цифровых биомаркеров, создание открытых и репрезентативных наборов данных, а также разработка стандартов интеграции цифровых платформ в клиническую практику. В целом цифровизация диагностики и мониторинга нейродегенеративных заболеваний демонстрирует значительный потенциал для повышения точности, персонализации и эффективности медицинской помощи пациентам с болезнью Паркинсона.

Вклад авторов:
Концепция статьи — Щеглов Б. О., Биктимиров А. Р.
Концепция и дизайн исследования — Ледков Е. А.
Написание текста — Щеглов Б. О., Яковенко А. А.
Сбор и обработка материала — Ледков Е. А., Артеменко А. Ф.
Анализ материала — Щеглов Б. О., Ледков Е. А.
Редактирование — Артеменко А. Ф., Биктимиров А. Р.
Утверждение окончательного варианта статьи — Биктимиров А. Р.

Contribution of authors:
Concept of the article — Shcheglov B. O., Biktimirov A. R.
Study concept and design — Ledkov E. A.
Text development — Shcheglov B. O., Yakovenko A. A.
Data collection and processing — Ledkov E. A., Artemenko A. F.
Data analysis — Shcheglov B. O., Ledkov E. A.
Editing — Artemenko A. F., Biktimirov A. R.
Approval of the final manuscript – Biktimirov A. R.

Благодарности. Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации в рамках государственной поддержки создания и развития Научного центра мирового уровня «Центр кибернетической медицины и нейропротезирования» (Соглашение № 075-15-2025-573).
Acknowledgements. This work was supported by the Ministry of Science and Higher Education of the Russian Federation as part of the state program for the establishment and development of the World-Class Research Center «Center for cybernetic medicine and neuroprosthetics» (Agreement No. 075-15-2025-573).

Литература/References

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 smartphone-instrumented 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.

¹ Федеральный центр мозга и нейротехнологий, Москва, Россия, b.shcheglov@mail.ru, https://orcid.org/0000-0002-2262-1831
² Федеральный центр мозга и нейротехнологий, Москва, Россия, andrey.drus@yandex.ru, https://orcid.org/0000-0003-0337-8298
³ Федеральный центр мозга и нейротехнологий, Москва, Россия, a.f.artemenko85@gmail.com, https://orcid.org/0009-0003-2927-323X
⁴ Федеральный центр мозга и нейротехнологий, Москва, Россия, ledkov.evgenii@yandex.ru, https://orcid.org/0000-0002-3552-1194
⁵ Федеральный центр мозга и нейротехнологий, Москва, Россия, biartur2006@yandex.ru, https://orcid.org/0000-0003-2838-2218

Сведения об авторах:

Щеглов Богдан Олегович, к.м.н., научный сотрудник, Федеральное государственное бюджетное учреждение «Федеральный центр мозга и нейротехнологий» Федерального медико-биологического агентства России; Россия, 117513, Москва, ул. Островитянова, 1, стр. 10; b.shcheglov@mail.ru

Яковенко Андрей Александрович, лаборант-исследователь, Федеральное государственное бюджетное учреждение «Федеральный центр мозга и нейротехнологий» Федерального медико-биологического агентства России; Россия, 117513, Москва, ул. Островитянова, 1, стр. 10; andrey.drus@yandex.ru

Артеменко Александр Федорович, инженер, Федеральное государственное бюджетное учреждение «Федеральный центр мозга и нейротехнологий» Федерального медико-биологического агентства России; Россия, 117513, Москва, ул. Островитянова, 1, стр. 10; a.f.artemenko85@gmail.com

Ледков Евгений Александрович, к.т.н., научный сотрудник, Федеральное государственное бюджетное учреждение «Федеральный центр мозга и нейротехнологий» Федерального медико-биологического агентства России; Россия, 117513, Москва, ул. Островитянова, 1, стр. 10; ledkov.evgenii@yandex.ru

Биктимиров Артур Рамилевич, нейрохирург, Федеральное государственное бюджетное учреждение «Федеральный центр мозга и нейротехнологий» Федерального медико-биологического агентства России; Россия, 117513, Москва, ул. Островитянова, 1, стр. 10; biartur2006@yandex.ru

Information about the authors:

Bogdan O. Shcheglov, Cand. of Sci. (Med.), Researcher, Federal State Budgetary Institution Federal Center for Brain and Neurotechnology of the Federal Medical and Biological Agency of Russia; 1 bld. 10 Ostrovityanova str., Moscow, 117513, Russia; b.shcheglov@mail.ru

Andrey A. Yakovenko, Research Assistant, Federal State Budgetary Institution Federal Center for Brain and Neurotechnology of the Federal Medical and Biological Agency of Russia; 1 bld. 10 Ostrovityanova str., Moscow, 117513, Russia; andrey.drus@yandex.ru

Alexander F. Artemenko, Engineer, Federal State Budgetary Institution Federal Center for Brain and Neurotechnology of the Federal Medical and Biological Agency of Russia; 1 bld. 10 Ostrovityanova str., Moscow, 117513, Russia; a.f.artemenko85@gmail.com

Evgeny A. Ledkov, Cand. of Sci. (Tech.), Researcher, Federal State Budgetary Institution Federal Center for Brain and Neurotechnology of the Federal Medical and Biological Agency of Russia; 1 bld. 10 Ostrovityanova str., Moscow, 117513, Russia; ledkov.evgenii@yandex.ru

Artur R. Biktimirov, Neurosurgeon, Federal State Budgetary Institution Federal Center for Brain and Neurotechnology of the Federal Medical and Biological Agency of Russia; 1 bld. 10 Ostrovityanova str., Moscow, 117513, Russia; biartur2006@yandex.ru

Болезнь Паркинсона: применение современных цифровых систем и подходов для оценки неврологической дисфункции пациентов (литературный обзор)/ Б. О. Щеглов, А. А. Яковенко, А. Ф. Артеменко, Е. А. Ледков, А. Р. Биктимиров
Для цитирования: Щеглов Б. О., Яковенко А. А., Артеменко А. Ф., Ледков Е. А., Биктимиров А. Р. Болезнь Паркинсона: применение современных цифровых систем и подходов для оценки неврологической дисфункции пациентов (литературный обзор). Лечащий Врач. 2026; 1 (29): 69-75. https://doi.org/10.51793/OS.2026.29.1.010
Теги: неврологическая дисфункция, цифровые технологии, мониторинг, реабилитация, диагностика