Bitte wählen Sie den gewünschten Projektzeitraum:
- Juli 2026
- Januar 2026
- Juli 2025
- Januar 2025
- Juli 2024
- Januar 2024
- Juli 2023
- Januar 2023
- Juli 2022
- Januar 2022
- Juli 2021
- Januar 2021
- Juli 2020
- Januar 2020
- Juli 2019
- Januar 2019
- Juli 2018
- Januar 2018
- Juli 2017
- Januar 2017
- Juli 2016
- Januar 2016
- Juli 2015
- Januar 2015
- Juli 2014
- Januar 2014
- Juli 2013
- Januar 2013
- Juli 2012
- Januar 2012
- Juli 2011
- Januar 2011
- Juli 2010
- Januar 2010
- Juli 2009
- Januar 2009
- Juli 2008
- Januar 2008
- Juli 2007
- Januar 2007
- Juli 2006
- Januar 2006
- Juli 2005
- Januar 2005
- Juli 2004
- Januar 2004
- Juli 2003
- Januar 2003
- Juli 2002
- Januar 2002
- Juli 2001
- Januar 2001
Förderbeginn 01.01.2025
Digitale Charakterisierung von Gangmustern bei Personen mit leichter kognitiver Beeinträchtigung bei der Parkinson- und Alzheimer-Krankheit
PD Dr. Heiko Gassner
Friedrich-Alexander-Universität Erlangen-Nürnberg
Abteilung Moleculare Neurologie
Prof. Dr. Johannes Schlachetzki
University of California, San Diego
Department of Cellular und Molecular Medicine
Die Alzheimer-Krankheit (AD) und die Parkinson-Krankheit (PD) sind weltweit die häufigsten neurodegenerativen Erkrankungen mit steigender Prävalenz. Die leichte kognitive Beeinträchtigung (Mild Cognitive Impairment, MCI) ist ein heterogenes Syndrom, gilt aber als Übergangsstadium zur Demenz bei Alzheimer und Parkinson. Demenz geht mit erhöhten Gesundheitskosten und einer größeren Belastung der Pflegekräfte einher. Daher ist es von entscheidender Bedeutung, Patienten mit dem Risiko einer kognitiven Beeinträchtigung im MCI-Stadium zu identifizieren, um eine frühzeitige Intervention einzuleiten oder sie in klinische Studien aufzunehmen. Objektive digitale Gangparameter helfen dabei, Bewegungsmuster zu verstehen, die zu Stürzen mit schwerwiegenden Folgen führen. Dieses Kooperationsprojekt zielt darauf ab, digitale Gangmuster bei Menschen mit AD und PD zu identifizieren, beide Krankheitsbilder zu differenzieren und Kliniker und medizinisches Fachpersonal durch objektive Mobilitätsergebnisse umfassend zu unterstützen. Auf künstlicher Intelligenz (KI) basierende Methoden entwickeln Gangmuster-Cluster und personalisierte Modelle, um krankheitsspezifische Gangmuster besser zu charakterisieren. Dieses Projekt ermöglicht ein integratives Verständnis davon, wie digitale Gangmuster und KI-basierte Modelle den Alltag der Patienten unterstützen.