AI-Gedreven Ganganalyse Verbeterd Vroege Detectie van Mobiliteitsproblemen bij MS-Patiënten

Het monitoren van de progressie van multiple sclerose-gerelateerde gangproblemen kan uitdagend zijn bij volwassenen boven 50 jaar, wat een klinicus vereist om te differentiëren tussen problemen gerelateerd aan MS en andere leeftijdsgerelateerde problemen. Om dit probleem aan te pakken, integreerden onderzoekers gangdata en machine learning om de tools te verbeteren die gebruikt worden om ziekteprogressie te monitoren en te voorspellen.

Multiple sclerose kan zich op veel manieren voordoen in de ongeveer twee miljoen mensen die het wereldwijd beïnvloedt, en loopproblemen zijn een veelvoorkomend symptoom. Ongeveer de helft van de patiënten heeft loopassistentie nodig binnen 15 jaar na aanvang. De onderzoekers zochten de interacties tussen veroudering en gelijktijdige MS-ziektegerelateerde veranderingen te bepalen en of ze konden differentiëren 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 gangdata — genormaliseerd voor lichaamsgrootte en demografie — van 20 volwassenen met MS en 20 leeftijds-, gewichts-, lengte-, en geslacht-gematcheerde oudere volwassenen zonder MS. De deelnemers liepen op een comfortabel tempo voor maximaal 75 seconden terwijl gespecialiseerde software ganggebeurtenissen, corresponderende grondreactiekrachten, en centrum-van-druk posities tijdens elke wandeling vastlegde. Het team extraheerde de karakteristieke ruimtelijke, temporele, en kinetische kenmerken in de stappen van elke deelnemer om variaties in gang tijdens elke proef te onderzoeken.

Veranderingen in verschillende gangkenmerken, inclusief een data kenmerk genaamd het vlinderdiagram, hielpen het team verschillen in gangpatronen tussen deelnemers te detecteren. Het diagram krijgt zijn naam van de vlinder-vormige curve gecreëerd uit de herhaalde centrum-van-druk traject voor meerdere opeenvolgende stappen tijdens een proefpersoons wandeling en is geassocieerd met cruciale neurologische functies.

Biomechanische systemen, zoals lopen, zijn slecht gemodelleerde systemen, wat het moeilijk maakt om problemen in een klinische setting te ontdekken. De nieuwe methode trok conclusies uit datasets die veel metingen van elk individu bevatten maar een klein aantal individuen. De resultaten van het werk maken significante vooruitgang in het gebied van klinische machine learning-gebaseerde ziekte-voorspellingsstrategieën.