Maschinelles Lernen hilft bei der Erkennung von Gangproblemen bei Patienten mit Multipler Sklerose

Die Überwachung des Fortschreitens von Multiple-Sklerose-bedingten Gangproblemen kann bei Erwachsenen über 50 Jahren eine Herausforderung darstellen, da ein Arzt zwischen Problemen im Zusammenhang mit MS und anderen altersbedingten Problemen unterscheiden muss. Um dieses Problem anzugehen, integrierten die Forscher Gangdaten und maschinelles Lernen, um die Tools zur Überwachung und Vorhersage des Krankheitsverlaufs zu verbessern.

Multiple Sklerose kann sich bei den etwa zwei Millionen Menschen, die weltweit davon betroffen sind, auf vielfältige Weise zeigen, und Gehprobleme sind ein häufiges Symptom. Etwa die Hälfte der Patienten benötigt innerhalb von 15 Jahren nach Beginn eine Gehhilfe. Die Forscher versuchten, die Wechselwirkungen zwischen dem Altern und gleichzeitig auftretenden Veränderungen im Zusammenhang mit der MS-Erkrankung zu bestimmen und festzustellen, ob sie bei älteren Erwachsenen mit MS zwischen den beiden unterscheiden könnten. Techniken des maschinellen Lernens eignen sich besonders gut, um komplexe verborgene Leistungsänderungen zu erkennen.

Unter Verwendung eines instrumentierten Laufbandes sammelte das Team Gangdaten – normalisiert für Körpergröße und Demographie – von 20 Erwachsenen mit MS und 20 alters-, gewichts-, größen- und geschlechtsangepassten älteren Erwachsenen ohne MS. Die Teilnehmer gingen bis zu 75 Sekunden lang in einem angenehmen Tempo, während eine spezielle Software bei jedem Gang Gangereignisse, entsprechende Bodenreaktionskräfte und Schwerpunktpositionen erfasste. Das Team extrahierte die charakteristischen räumlichen, zeitlichen und kinetischen Merkmale jedes Teilnehmers in seinen Schritten, um Variationen im Gang während jedes Versuchs zu untersuchen.

Änderungen in verschiedenen Gangmerkmalen, einschließlich eines Datenmerkmals namens Schmetterlingsdiagramm, halfen dem Team, Unterschiede in den Gangmustern zwischen den Teilnehmern zu erkennen. Das Diagramm hat seinen Namen von der schmetterlingsförmigen Kurve, die aus der wiederholten Trajektorie des Druckzentrums für mehrere kontinuierliche Schritte während des Gehens eines Probanden erstellt wird, und wird mit kritischen neurologischen Funktionen in Verbindung gebracht.

Biomechanische Systeme wie das Gehen sind schlecht modellierte Systeme, was es schwierig macht, Probleme in einem klinischen Umfeld zu erkennen. Die neue Methode extrahierte Schlussfolgerungen aus Datensätzen, die viele Messungen jedes Individuums, aber eine kleine Anzahl von Individuen enthalten. Die Ergebnisse der Arbeit bringen erhebliche Fortschritte im Bereich klinischer, auf maschinellem Lernen basierender Krankheitsvorhersagestrategien.