Machine learning helpt bij het opsporen van loopproblemen bij patiënten met multiple sclerose

Het monitoren van de progressie van aan multiple sclerose gerelateerde loopproblemen kan een uitdaging zijn bij volwassenen ouder dan 50 jaar, waarbij een arts een onderscheid moet maken tussen problemen die verband houden met MS en andere leeftijdsgerelateerde problemen. Om dit probleem aan te pakken, hebben onderzoekers loopgegevens en machine learning geïntegreerd om de tools te ontwikkelen die worden gebruikt om ziekteprogressie te volgen en te voorspellen.

Multiple sclerose kan zich op vele manieren voordoen bij de ongeveer twee miljoen mensen die het wereldwijd treft, en loopproblemen zijn een veelvoorkomend symptoom. Ongeveer de helft van de patiënten heeft binnen 15 jaar na aanvang loophulp nodig. De onderzoekers probeerden de interacties tussen veroudering en gelijktijdige MS-ziektegerelateerde veranderingen te bepalen en of ze onderscheid konden maken tussen de twee bij oudere volwassenen met MS. Machine learning-technieken werken bijzonder goed bij het opsporen van complexe verborgen veranderingen in prestaties.

Met behulp van een geïnstrumenteerde loopband verzamelde het team loopgegevens - genormaliseerd voor lichaamsgrootte en demografie - van 20 volwassenen met MS en 20 oudere volwassenen zonder MS die qua leeftijd, gewicht, lengte en geslacht overeenkomen. De deelnemers liepen tot 75 seconden in een comfortabel tempo, terwijl gespecialiseerde software tijdens elke wandeling ganggebeurtenissen, bijbehorende grondreactiekrachten en drukpuntposities vastlegde. Het team haalde de karakteristieke ruimtelijke, temporele en kinetische kenmerken van elke deelnemer in hun passen om variaties in het lopen tijdens elke proef te onderzoeken.

Veranderingen in verschillende loopkenmerken, waaronder een gegevensfunctie die het vlinderdiagram wordt genoemd, hielpen het team om verschillen in looppatronen tussen deelnemers te detecteren. Het diagram dankt zijn naam aan de vlindervormige curve die is gemaakt op basis van het herhaalde drukcentrumtraject voor meerdere ononderbroken passen tijdens het lopen van een persoon en wordt geassocieerd met kritieke neurologische functies.

Biomechanische systemen, zoals lopen, zijn slecht gemodelleerde systemen, waardoor het moeilijk is om problemen in een klinische setting te herkennen. De nieuwe methode haalde conclusies uit datasets die veel metingen van elk individu bevatten, maar een klein aantal individuen. De resultaten van het werk boeken aanzienlijke vooruitgang op het gebied van op klinische machine learning gebaseerde ziektevoorspellingsstrategieën.