Czy AI może przewidywać rzuty stwardnienia rozsianego na podstawie zmian wzorców szybkości pisania na smartfonie ?

Stwardnienie rozsiane zakłóca sygnały nerwowe, subtelnie wpływając na precyzyjną kontrolę motoryczną. Sztuczna inteligencja analizująca dynamikę pisania (szybkość, rytm, błędy) może wykryć nasilające się stany zapalne przed pojawieniem się objawów klinicznych. Dane longitudinalne z codziennego użytkowania telefonu mogłyby sygnalizować nawroty bez konieczności wizyt w klinice. Problemy z prywatnością oraz zmienność zachowań użytkowników komplikują walidację. Podejście łączy pasywne czujniki z analizą predykcyjną.

Background

Multiple sclerosis disrupts nerve signals, subtly affecting fine motor control. AI analyzing typing dynamics (speed, rhythm, errors) might detect worsening inflammation before clinical signs appear. Longitudinal data from everyday phone use could flag relapses without clinic visits. Privacy concerns and user behavior variability complicate validation. The approach merges passive sensing with predictive analytics. AI can already extract keystroke-timing features from smartphone sensors and detect changes in typing cadence at clinically meaningful levels, but translating those signals into reliable multiple sclerosis (MS) flare-up forecasts remains experimental. Small-scale studies (N≈80–200 relapsing-remitting MS patients) have shown that typing-speed variability rises days to weeks before symptom exacerbation, yielding modest predictive performance (AUC≈0.72–0.78) when combined with passive activity and sleep data. The main bottleneck is generalisability across diverse keyboards, languages and patient cohorts, plus ethical and regulatory hurdles for medical-grade apps. Larger, prospective trials with continuous, real-world typing capture are now underway to validate clinical utility.