Predicting cognitive impairment using novel functional features of spatial proximity and circularity in the digital clock drawing test

Diese Studie zeigt, dass neuartige funktionale Merkmale der räumlichen Nähe und Kreisförmigkeit aus dem digitalen Uhrzeiger-Test (dCDT) in Kombination mit etablierten zeitbasierten Merkmalen eine Vorhersagekraft für kognitive Beeinträchtigungen aufweisen, die mit herkömmlichen zusammengefassten Merkmalen vergleichbar ist.

Das Wesentliche

🕰️ Der digitale Zeiger-Test: Wie ein neuer Algorithmus Demenz früher erkennt

Stellen Sie sich vor, Sie müssten eine Uhr zeichnen. Nicht nur die Zahlen, sondern auch die Zeiger auf eine bestimmte Zeit (z. B. 11:10). Das ist der klassische „Uhr-Zeichen-Test". Ärzte nutzen ihn seit Jahrzehnten, um zu prüfen, ob jemand Probleme mit dem Gedächtnis oder der Denkweise hat.

Das Problem mit dem alten Weg:
Bisher haben Ärzte oder Computer das fertige Bild betrachtet. Sie haben gemessen: „Ist die Uhr groß genug?", „Sind die Zahlen an der richtigen Stelle?" oder „Wie lange hat es gedauert?". Das ist wie ein Fotograf, der nur das fertige Foto betrachtet, aber nicht weiß, wie der Maler seine Hand bewegt hat. Oft mussten dabei viele Entscheidungen getroffen werden, was zu Fehlern oder subjektiven Einschätzungen führen konnte.

Die neue Lösung: Der „Super-Mikroskop"-Blick
Die Forscher aus dieser Studie haben einen digitalen Stift verwendet, der nicht nur das Bild aufzeichnet, sondern alles mitmisst:

• Wo genau der Stift war (x- und y-Koordinaten).
• Wie fest gedrückt wurde (Druck).
• Wie schnell die Hand sich bewegte (alle 13 Millisekunden!).

Das ist, als würde man nicht nur das fertige Gemälde betrachten, sondern einen Super-Mikroskop auf die Handbewegungen des Künstlers richten, um jeden Zittern, jede Pause und jeden Druck zu sehen, der für das bloße Auge unsichtbar ist.

Die drei neuen „Detektive" (Merkmale)

Die Forscher haben drei spezielle mathematische Werkzeuge entwickelt, um diese riesige Menge an Daten zu verstehen. Man kann sie sich wie drei verschiedene Detektive vorstellen:

1. Der „Gruppen-Detektive" (Die G-Funktion / Räumliche Nähe)

• Was er macht: Er schaut sich an, wie dicht die einzelnen Punkte des Stiftes beieinander liegen.
• Die Analogie: Stellen Sie sich eine Party vor.
  • Bei gesunden Menschen laufen die Gäste (die Punkte) frei durch den Raum. Sie sind gut verteilt.
  • Bei Menschen mit kognitiven Problemen „stehen" die Gäste oft in kleinen, ängstlichen Gruppen zusammen oder bewegen sich sehr zögerlich in einer Ecke.
• Das Ergebnis: Der Detektive erkennt sofort: „Aha, hier stehen die Punkte zu dicht beieinander!" Das deutet darauf hin, dass die Person langsamer schreibt, zögert oder unsicher ist. Dieser Detektive ist sehr gut darin, Probleme zu finden (hohe Empfindlichkeit), auch wenn er manchmal fälschlicherweise jemanden verdächtigt, der eigentlich gesund ist.

2. Der „Rundheits-Detektive" (Die Radius-Funktion / Kreisform)

• Was er macht: Er prüft, wie perfekt der Kreis der Uhr ist.
• Die Analogie: Stellen Sie sich vor, Sie versuchen, einen perfekten Kreis mit geschlossenen Augen zu malen.
  • Ein gesunder Mensch malt einen Kreis, der fast wie eine Maschine gezeichnet aussieht – glatt und gleichmäßig.
  • Ein Mensch mit kognitiven Problemen malt oft einen Kreis, der wellig ist, eckig oder wie eine „Avocado" aussieht (wie in der Studie erwähnt).
• Das Ergebnis: Dieser Detektive misst jede kleine Welle oder Unregelmäßigkeit. Er ist sehr gut darin, gesunde Menschen zu bestätigen (hohe Spezifität), also sicherzustellen, dass man niemanden fälschlicherweise als krank einstuft.

3. Der „Druck-Detektive" (Druck-Dichte)

• Was er macht: Er analysiert, wie fest die Person auf den Stift drückt.
• Die Analogie: Wie fest drückt man einen Stift auf das Papier? Ist der Druck gleichmäßig oder schwankt er wild?
• Das Ergebnis: Überraschenderweise war dieser Detektive in dieser Studie nicht so hilfreich. Die Unterschiede im Druck zwischen gesunden und kranken Menschen waren zu gering, um eine klare Diagnose zu stellen. Es ist, als würde man versuchen, jemanden an seiner Stimmfarbe zu erkennen, aber alle sprechen fast gleich laut.

Was haben die Forscher herausgefunden?

Die Studie hat über 3.400 Teilnehmer aus der berühmten „Framingham Heart Study" untersucht. Das Ergebnis ist vielversprechend:

1. Genauso gut wie die alten Methoden: Die neuen „Detektive" (besonders der Gruppen- und der Rundheits-Detektive) sind genauso gut darin, kognitive Probleme zu erkennen wie die alten, komplexen Methoden, die viele einzelne Messwerte zusammenzählen.
2. Robustheit: Das Tolle an diesen neuen Methoden ist, dass sie auch funktionieren, wenn die Uhr nicht perfekt gezeichnet ist (z. B. wenn Zahlen fehlen oder der Kreis nicht ganz geschlossen ist). Die alten Methoden scheiterten oft hier, aber die neuen „Detektive" schauen sich das Verhalten an, nicht nur das Ergebnis.
3. Früherkennung: Da diese digitalen Stifte winzige Veränderungen in der Handbewegung sehen, die ein Mensch gar nicht bemerkt, könnten wir kognitive Probleme viel früher erkennen, bevor sie im Alltag wirklich auffallen.

Fazit für den Alltag

Stellen Sie sich vor, Sie gehen zum Arzt und zeichnen eine Uhr. Früher hat der Arzt nur auf das Bild geschaut und gesagt: „Die Uhr ist etwas schief."
Heute, mit dieser neuen Technologie, sagt der Computer: „Ich habe gesehen, dass Ihre Hand beim Zeichnen der Zahlen 1 bis 3 zögernd war und die Punkte sehr dicht beieinander lagen. Das deutet auf eine leichte Unsicherheit im Denkprozess hin."

Das ist ein großer Schritt hin zu einer früheren und präziseren Diagnose, die nicht auf Vermutungen, sondern auf der genauen Analyse Ihrer Handbewegungen basiert. Es ist wie der Unterschied zwischen einem einfachen Foto und einem 4K-Video, das jeden einzelnen Muskelzucken einfängt.

Technische Zusammenfassung

Titel: Vorhersage kognitiver Beeinträchtigungen mittels neuartiger funktionaler Merkmale von räumlicher Nähe und Kreisförmigkeit im digitalen Uhrentest (dCDT)

1. Problemstellung

Der digitale Uhrentest (Digital Clock Drawing Test, dCDT) ist ein vielversprechendes Screening-Tool zur Früherkennung kognitiver Beeinträchtigungen wie leichter kognitiver Beeinträchtigung (MCI) oder Demenz. Während herkömmliche Studien oft auf zusammengefasste Statistiken (Summary Statistics) von dCDT-Merkmalen zurückgreifen (z. B. Gesamtzeit, Anzahl der Striche, mittlere Druckstärke), weisen diese Ansätze erhebliche Nachteile auf:

• Subjektivität: Sie erfordern oft manuelle Merkmalsauswahl und Imputation fehlender Werte.
• Informationsverlust: Die Reduktion komplexer Zeichentransaktionen auf wenige Zusammenfassungsmaße kann strukturelle Details des Zeichenprozesses verschleiern.
• Abhängigkeit von der Vollständigkeit: Viele herkömmliche Merkmale setzen voraus, dass der Test vollständig ist (z. B. alle Ziffern vorhanden), was bei unvollständigen Zeichnungen zu Problemen führt.

Ziel der Studie war es, neuartige, mathematisch fundierte funktionale Merkmale zu entwickeln, die die rohen Zeichendaten (Position, Druck, Zeit) als kontinuierliche Funktionen modellieren, um subtile motorische und kognitive Signale besser zu erfassen.

2. Methodik

Datenbasis:

• Kohorte: 3.415 Teilnehmer der Framingham Heart Study (FHS).
• Datenquelle: Digitale Zeichnungen (dCDT) mit hoher Auflösung (13 ms Abtastrate), erfasst mittels digitalem Stift.
• Aufgaben: Sowohl die "Command"-Bedingung (aus dem Gedächtnis zeichnen) als auch die "Copy"-Bedingung (Nachzeichnen).
• Zielvariable: Unterscheidung zwischen kognitiv intakten Teilnehmern und solchen mit MCI oder Demenz (Hauptziel); sekundär: Unterscheidung zwischen MCI und Demenz.

Neuartige funktionale Merkmale:
Die Autoren entwickelten drei Merkmale, die als mathematische Funktionen dargestellt werden:

1. G-Funktion (Räumliche Nähe): Eine empirische Verteilungsfunktion der nächsten Nachbarn. Sie quantifiziert die räumliche Clustering-Neigung der gezeichneten Punkte. Ein steiler Anstieg deutet auf eine hohe Konzentration von Punkten in kleinen Bereichen hin (oft verbunden mit langsameren, zögerlichen Bewegungen).
2. Radius-Funktion (Kreisförmigkeit): Misst den Abstand jedes Punktes auf dem Zifferblatt vom Zentrum als Funktion des Winkels (0–360 Grad). Abweichungen von einer flachen Linie repräsentieren Asymmetrie, Verzerrungen oder Ungenauigkeiten beim Zeichnen des Kreises.
3. Druck-Dichte-Funktion: Eine nicht-parametrische Dichteschätzung der aufgewendeten Druckstärke über den gesamten Testverlauf, anstatt nur Mittelwerte oder Standardabweichungen zu nutzen.

Datenanalyse und Modellierung:

• Dimensionsreduktion: Da die Merkmale Funktionen sind (unendlich dimensional), wurde Functional Principal Component Analysis (FPCA) mittels des PACE-Algorithmus angewendet, um die Daten auf eine kleine Anzahl von Hauptkomponenten-Scores (FPC) zu reduzieren.
• Modellierung: Random Forest-Klassifikatoren wurden mit stratifizierter 5-fach-Cross-Validation trainiert.
• Vergleichsgruppen: Die neuen funktionalen Modelle wurden gegen Modelle getestet, die nur soziodemografische Daten, Zeitmerkmale und etablierte Zusammenfassungsmerkmale (Summary Features) aus der Literatur verwendeten.
• Leckage-Vermeidung: Die FPCA wurde strikt innerhalb der Trainingsfolds durchgeführt, um Informationsleckage zu verhindern.

3. Wichtige Beiträge

• Einführung funktionaler Datenanalyse (FDA) in den dCDT: Erstmals werden die rohen Trajektorien des digitalen Stifts als kontinuierliche Funktionen (G-Funktion, Radius-Funktion) modelliert, anstatt sie in diskrete Statistiken zu zerlegen.
• Robustheit bei unvollständigen Zeichnungen: Die G-Funktion und die Druck-Dichte-Funktion benötigen keine korrekte Segmentierung von Strichen oder Komponenten (z. B. Ziffern, Zeiger) und können auch bei unvollständigen Zeichnungen berechnet werden.
• Interpretierbarkeit: Die neuen Merkmale bieten klinisch interpretierbare Einblicke in räumliche Clusterung (G-Funktion) und geometrische Präzision (Radius-Funktion), die über einfache Zeitmessungen hinausgehen.
• Vergleichbare Leistung mit weniger Komplexität: Die funktionalen Merkmale erreichen eine Vorhersagegenauigkeit, die der von großen, manuell erstellten Merkmalssets entspricht, ohne die Notwendigkeit einer komplexen Feature-Engineering-Pipeline.

4. Ergebnisse

Hauptanalyse (Kognitiv Intakt vs. Beeinträchtigt):

• Leistung: Modelle, die die G-Funktion oder die Radius-Funktion nutzten, erreichten eine Area Under the Curve (AUC) von ca. 0,90–0,91. Dies ist vergleichbar mit den besten Modellen, die auf traditionellen Zusammenfassungsmerkmalen basieren (AUC 0,90–0,91).
• Sensitivität vs. Spezifität:
  • Die G-Funktion zeigte die höchste Sensitivität (bis zu 0,91), was sie ideal für Screening-Zwecke macht (wenige Fälle übersehen), jedoch auf Kosten einer etwas geringeren Spezifität.
  • Die Radius-Funktion bot eine bessere Balance und höhere Spezifität (bis zu 0,83), was auf ihre Fähigkeit hinweist, subtile Asymmetrien und Unregelmäßigkeiten im Zifferblatt zu erkennen.
• Druck-Dichte: Die Druck-Dichte-Funktion lieferte nur einen begrenzten zusätzlichen Informationsgewinn und zeigte geringere Trennschärfe zwischen den Gruppen.
• Demografische Faktoren: Alter und die FHS-Kohorte waren die stärksten Prädiktoren. Die Hinzunahme der funktionalen Merkmale verbesserte die Vorhersagekraft gegenüber reinen Demografie-Modellen (AUC 0,82–0,83) signifikant um ca. 0,07–0,09 Punkte.

Sekundäranalyse (Demenz vs. MCI):

• Die Unterscheidung zwischen MCI und Demenz erwies sich als schwieriger (niedrigere AUC-Werte, ca. 0,70–0,78).
• Auch hier schnitt die Radius-Funktion im "Copy"-Modus am besten unter den funktionalen Merkmalen ab, obwohl die Zusammenfassungsmerkmale in diesem spezifischen Szenario leicht überlegen waren.

Sensitivitätsanalysen:

• Die Ergebnisse waren robust, auch wenn gewichtete Random Forests zur Behandlung des Klassenungleichgewichts verwendet wurden.
• In älteren Kohorten (Offspring) blieben die funktionalen Merkmale (insbesondere die Radius-Funktion) konkurrenzfähig.

5. Bedeutung und Fazit

Die Studie demonstriert, dass funktionale Merkmale (insbesondere räumliche Nähe und Kreisförmigkeit) eine leistungsfähige, interpretierbare und robuste Alternative zu herkömmlichen, manuell erstellten Zusammenfassungsmerkmalen im digitalen Uhrentest darstellen.

• Klinische Relevanz: Die Methode ermöglicht eine präzisere Früherkennung kognitiver Beeinträchtigungen, indem sie subtile motorische und räumliche Defizite erfasst, die in traditionellen Tests übersehen werden könnten.
• Praktikabilität: Der Ansatz ist rechnerisch effizient, erfordert nur minimale Vorverarbeitung und funktioniert auch bei unvollständigen Zeichnungen, was ihn für den Einsatz in der klinischen Praxis und großen Screening-Studien ideal macht.
• Zukunftsaussichten: Da die G-Funktion und die Druck-Dichte-Funktion unabhängig von spezifischen Zeichenelementen sind, sind sie auf andere digitale neuropsychologische Tests übertragbar, die auf Zeichnen basieren.

Zusammenfassend etabliert diese Arbeit die funktionale Datenanalyse als eine principled, praktische und interpretierbare Strategie für digitale Stift-basierte kognitive Assessments.