KI-gestützte Ganganalyse verbessert Früherkennung von Mobilitätseinschränkungen bei Multipler Sklerose

Die Überwachung des Fortschreitens multipler-sklerose-bedingter Gangstörungen bei Erwachsenen über 50 Jahre ist herausfordernd, da Kliniker zwischen MS-bedingten Problemen und anderen altersbedingten Einschränkungen unterscheiden müssen. Um dieses Problem anzugehen, integrierten Forscher Gangdaten und maschinelles Lernen, um die Werkzeuge zur Überwachung und Vorhersage des Krankheitsverlaufs zu verbessern.

Multiple Sklerose zeigt sich bei den weltweit etwa zwei Millionen Betroffenen auf vielfältige Weise; Gehprobleme sind ein häufiges Symptom. Etwa die Hälfte der Patienten benötigt innerhalb von 15 Jahren nach Auftreten Gehhilfen. Die Forscher wollten die Wechselwirkungen zwischen Alterung und gleichzeitigen MS-bedingten Veränderungen bestimmen und prüfen, ob sie diese bei älteren MS-Patienten differenzieren können. Maschinelle Lernverfahren eignen sich besonders gut, um komplexe verborgene Veränderungen in der Leistungsfähigkeit zu erkennen.

Mithilfe eines instrumentierten Laufbands sammelten die Forscher Gangdaten – normalisiert auf Körpergröße und Demografie – von 20 Erwachsenen mit MS und 20 alters-, gewichts-, größen- und geschlechtsangepassten älteren Erwachsenen ohne MS. Die Teilnehmer gingen bis zu 75 Sekunden in einem komfortablen Tempo, während spezialisierte Software Gangereignisse, zugehörige Bodenreaktionskräfte und Zentrumsdruckpositionen bei jedem Schritt erfasste. Das Team extrahierte für jeden Teilnehmer charakteristische räumliche, zeitliche und kinetische Merkmale ihrer Schritte, um Gangvariationen während jedes Versuchs zu untersuchen.

Veränderungen in verschiedenen Gangmerkmalen, einschließlich eines Datensatzes namens „Schmetterlingsdiagramm“, halfen dem Team, Unterschiede in Gangmustern zwischen den Teilnehmern zu erkennen. Das Diagramm verdankt seinen Namen der schmetterlingsförmigen Kurve, die aus der wiederholten Zentrumsdrucktrajektorie für mehrere aufeinanderfolgende Schritte während des Gehens eines Probanden entsteht und mit kritischen neurologischen Funktionen assoziiert ist.

Biomechanische Systeme wie Gehen sind schlecht modellierte Systeme, was es in der klinischen Praxis erschwert, Probleme zu erkennen. Die neue Methode zog Schlussfolgerungen aus Datensätzen, die viele Messungen pro Individuum, aber nur wenige Individuen enthalten. Die Ergebnisse bedeuten bedeutenden Fortschritt im Bereich klinischer, maschinell-lernbasierter Krankheitsvorhersagestrategien.