Predictive Analytics for Foot Ulcers Using Time-Series Temperature and Pressure Data

Diese Studie stellt ein prädiktives Analyserahmenwerk vor, das Zeitreihendaten von tragbaren Temperatur- und Drucksensoren in Kombination mit unüberwachten maschinellen Lernalgorithmen wie Isolation Forest und KNN nutzt, um Frühwarnsignale für diabetische Fußgeschwüre zu erkennen und so eine rechtzeitige Intervention zu ermöglichen.

Das Wesentliche

🦶 Der „Wetterbericht" für deine Füße: Wie KI vor gefährlichen Wunden warnt

Stell dir vor, deine Füße sind wie ein kleines Dorf, in dem Millionen von kleinen Sensoren (wie winzige Wetterstationen) wohnen. Bei Menschen mit Diabetes kann es passieren, dass dieses Dorf „stille Krisen" erlebt, bevor es zu einem großen Problem (einem Geschwür oder Wundbrand) kommt.

Dieses Forschungsprojekt hat eine neue Art von Frühwarnsystem entwickelt, um genau diese Krisen zu erkennen, bevor sie sichtbar werden.

1. Das Problem: Der stille Feind

Bei Diabetes spüren die Füße oft Schmerzen nicht mehr. Ein kleiner Druck oder eine leichte Entzündung wird nicht bemerkt, bis es zu spät ist und eine schmerzhafte Wunde entsteht. Das ist gefährlich und teuer für das Gesundheitssystem.

2. Die Lösung: Ein „Smart-Socken"-Team

Die Forscher haben ein System entwickelt, das wie ein zweites Gehirn für die Füße funktioniert. Es nutzt zwei Arten von Sensoren, die wie ein Team zusammenarbeiten:

• Die Thermometer (Temperatur): Sie messen, ob ein Bereich des Fußes zu heiß wird (wie eine entzündete Stelle).
• Die Waagen (Druck): Sie messen, wo der Fuß zu stark belastet wird (wie ein Stein im Schuh, der zu lange drückt).

3. Die Detektive: Zwei verschiedene KI-Methoden

Um aus den Daten der Sensoren etwas zu lernen, haben die Forscher zwei verschiedene „KI-Detektive" eingesetzt. Man kann sie sich wie zwei verschiedene Arten von Sicherheitsbeamten vorstellen:

• Detektiv A: Der „Isolation Forest" (Der sensible Spürhund)

  • Wie er arbeitet: Er ist extrem sensibel. Er sucht nach den kleinsten, fast unsichtbaren Veränderungen. Stell dir vor, er merkt, dass ein Fuß leicht wärmer ist als sonst oder etwas länger auf einer Stelle steht.
  • Seine Stärke: Er findet die Probleme sehr früh, noch bevor sie groß sind. Er ist wie ein Rauchmelder, der schon bei der ersten kleinen Rauchwolke alarmiert.
  • Ergebnis: Sehr gut für die Vorbeugung, aber manchmal etwas zu empfindlich.

• Detektiv B: Der „K-Nearest Neighbors" (Der Alarmglocke für Extreme)

  • Wie er arbeitet: Er schaut sich an, was „normal" ist, und alarmiert sofort, wenn etwas ganz verrückt läuft. Wenn die Temperatur plötzlich explodiert oder der Druck extrem hoch ist, schlägt er Alarm.
  • Seine Stärke: Er ist toll dabei, akute, schwere Notfälle zu finden.
  • Seine Schwäche: Er bellt manchmal auch, wenn nur eine Katze vorbeiläuft (falsche Alarme). Das könnte den Patienten nerven, wenn er zu oft gewarnt wird.

4. Die Entdeckung: Temperatur und Druck sind beste Freunde

Die Forscher haben etwas Spannendes herausgefunden: Druck und Temperatur hängen zusammen.
Stell dir vor, du trittst lange auf einen Stein (hoher Druck). Irgendwann wird die Stelle unter dem Stein warm, weil das Gewebe gestresst ist. Die Daten zeigten: Wo viel Druck ist, wird es oft auch wärmer.
Das bedeutet: Wenn man beide Sensoren kombiniert, ist die Vorhersage viel genauer, als wenn man nur auf eines schaut. Es ist wie beim Wetter: Wenn man nur den Wind misst, weiß man nicht viel. Misst man aber Wind und Regen zusammen, weiß man genau, ob ein Sturm kommt.

5. Was bedeutet das für die Zukunft?

Das Ziel ist ein System, das Patienten in Echtzeit warnt.

• Heute: Man muss zum Arzt gehen und hoffen, dass er etwas sieht.
• Morgen: Deine Smart-Socke sagt dir: „Hey, auf deiner Fußsohle ist es heute etwas zu warm und du hast zu lange auf dieser Stelle gestanden. Mach eine Pause oder wechsel die Schuhe, bevor es zu einer Wunde kommt!"

Zusammenfassung in einem Satz

Diese Studie zeigt, dass wir mit cleverer KI und kleinen Sensoren die Füße von Diabetikern wie ein frühzeitiges Warnsystem überwachen können, um schlimme Wunden zu verhindern, indem wir winzige Veränderungen in Temperatur und Druck erkennen, lange bevor der Mensch sie spürt.

(Hinweis: Die Studie wurde bisher nur mit gesunden Menschen in einem Labor getestet. Für den echten Einsatz mit Diabetikern müssen die Sensoren noch weiter verbessert werden, damit sie im Alltag zuverlässig funktionieren.)

Technische Zusammenfassung

Technische Zusammenfassung: Prädiktive Analytik für Fußgeschwüre mittels Zeitreihen-Temperatur- und Druckdaten

Titel: Predictive Analytics for Foot Ulcers Using Time-Series Temperature and Pressure Data
Autor: Md. Tanvir Hasan Turja (Middlesex University London)
Datum: März 2026 (vorgelegt)

---

1. Problemstellung

Diabetische Fußulzerationen (DFUs) sind eine schwerwiegende Komplikation des Diabetes mellitus, die zu Amputationen, erhöhter Mortalität und enormen Gesundheitskosten führt (im UK ca. 837–962 Mio. £ pro Jahr).

• Herausforderung: Herkömmliche Überwachungsmethoden basieren oft auf sporadischen klinischen Untersuchungen und subjektiven Patientenangaben, was eine rechtzeitige Diagnose verzögert.
• Biomechanik: DFUs entstehen durch Neuropathie, Ischämie und Trauma, wobei ein signifikanter Anteil der Geschwüre in Bereichen mit erhöhter Scherbelastung (Shear Stress) auftritt, die von herkömmlichen Sensoren oft ignoriert werden.
• Ziel: Entwicklung eines Systems zur kontinuierlichen, Echtzeit-Überwachung, das Anomalien erkennt, bevor klinische Symptome auftreten, um präventiv eingreifen zu können.

2. Methodik

Die Studie entwickelt einen Rahmen für prädiktive Analytik unter Verwendung von Zeitreihendaten aus tragbaren Sensoren.

• Datenerfassung:

  • Sensoren: 10.000 NTC-Dünnschicht-Thermoelemente (Temperatur) und FlexiForce A401-Drucksensoren (Plantarbelastung).
  • Probanden: Gesunde Erwachsene, die auf einem instrumentierten Weg gehen.
  • Datensatz: Zeitreihen von Temperatur und Druck pro Gangzyklus, gespeichert in SQL und für die Analyse in Pandas-DataFrames konvertiert.

• Datenvorverarbeitung:

  • Bereinigung: Behandlung fehlender Werte durch Complete Case Analysis, Forward-Filling und Zero-Filling (mit Kennzeichnung).
  • Ausreißer-Entfernung: Nutzung der Interquartilsabstand-Methode (IQR) mit einem oberen Quartil bei der 85. Perzentile, um die hohe Variabilität von Gangdaten zu berücksichtigen.
  • Feature-Engineering: Extraktion relevanter Merkmale wie maximale/mean Werte, Schrittzahlen, Schrittdauer und Fläche unter der Kurve (AUC).

• Analyse-Framework & Algorithmen:
  Es wurden zwei unüberwachte Machine-Learning-Algorithmen verglichen, da große, gelabelte Datensätze von Ulzerationsereignissen oft nicht verfügbar sind:

  1. Isolation Forest: Ein Ensemble-Verfahren, das Anomalien durch rekursive Datenpartitionierung erkennt.
     • Hyperparameter: 100 Bäume, max. Samples 0.6, Kontaminationsrate 0.05.
  2. K-Nearest Neighbors (KNN) / Local Outlier Factor (LOF): Ein distanz- und dichte-basiertes Verfahren.
     • Hyperparameter: k=20 Nachbarn, Kontaminationsrate 0.05.

• Modellierung:

  • Separate Analyse für Druck- und Temperaturdaten.
  • Kombination beider Modalitäten zur Untersuchung von Korrelationen.
  • Visualisierung der Anomalie-Scores und Feature-Importanz.

3. Schlüsselergebnisse

• Leistungsfähigkeit der Algorithmen:

  • Isolation Forest: Zeigte sich überlegen bei der Erkennung subtiler Mikro-Anomalien. Er ist sensitiv für feine Abweichungen in Temperatur und Druck, die auf beginnende Entzündungen oder verlängerten Stress hinweisen. Dies macht ihn ideal für die frühe Vorhersage.
  • KNN (LOF): War effektiver bei der Erkennung extremer Abweichungen (z. B. plötzliche Temperaturspitzen oder hohe Druckereignisse). Allerdings führte dies zu einer höheren False-Positive-Rate, was in einem Echtzeit-Szenario zu "Alert Fatigue" (Alarmmüdigkeit) führen könnte.

• Feature-Importanz:

  • Druck: Die Anzahl der Schritte und die Fläche unter der Druckkurve (AUC) von Sensor 3 (vermutlich Mittelfuß/Ferse) waren die wichtigsten Indikatoren.
  • Temperatur: Maximale Temperaturwerte und plötzliche Spitzen waren die stärksten Signale für Anomalien (z. B. Entzündung).

• Korrelationen und Multimodalität:

  • Es wurde eine positive Korrelation zwischen Druck und Temperatur festgestellt (z. B. Korrelation von 0,48 zwischen mittlerem Druck und maximaler Temperatur).
  • Dies bestätigt, dass eine multimodale Überwachung (Kombination aus Druck und Temperatur) notwendig ist, um die Vorhersagegenauigkeit zu erhöhen, da mechanischer Stress oft thermische Reaktionen auslöst.

• Zeitliche Muster:

  • Anomalien konzentrierten sich in bestimmten Zeiträumen (September/Oktober 2023, Januar/April 2024), was auf saisonale Einflüsse oder Umweltbedingungen hindeutet.
  • Ein Temperaturabfall im Dezember 2023 wurde auf verminderte Durchblutung durch Kälte zurückgeführt.

4. Hauptbeiträge

1. Rahmenwerk für Echtzeit-Überwachung: Entwicklung eines Systems, das auf ungelabelten Zeitreihendaten basiert und somit ohne große Mengen an historischen Ulzerationsdaten auskommt.
2. Vergleich unüberwachter Algorithmen: Klare Differenzierung der Stärken von Isolation Forest (frühe, subtile Erkennung) vs. KNN (Erkennung schwerer, akuter Ereignisse).
3. Multimodaler Ansatz: Evidenzbasierte Unterstützung für die Kombination von Temperatur- und Drucksensoren, um biomechanische und physiologische Risiken gleichzeitig zu erfassen.
4. Feature-Engineering-Strategie: Demonstration, wie Rohdaten in klinisch relevante Merkmale (z. B. AUC, Schrittdauer) transformiert werden können, um Ganganomalien zu detektieren.

5. Bedeutung und Ausblick

• Klinische Relevanz: Das System ermöglicht eine präventive Intervention, bevor Gewebeschäden sichtbar werden, und könnte die Inzidenz von DFUs sowie die damit verbundenen Kosten und Amputationsraten senken.
• Limitationen: Die Studie basierte auf Daten gesunder Probanden in einer kontrollierten Umgebung. Die Generalisierbarkeit auf Diabetiker mit verschiedenen Krankheitsstadien und in realen Umgebungen (Schuhe, Wetter, Compliance) ist noch zu validieren.
• Zukünftige Richtungen:
  • Integration größerer, diverser Datensätze (inkl. Patienten mit DFU).
  • Einsatz von Ensemble-Learning und Deep-Learning-Architekturen (z. B. LSTM, Autoencoder) für noch präzisere Vorhersagen.
  • Einbindung kontextueller Variablen (Umgebungstemperatur, Schuhwerk) und Integration in klinische Workflows (EHR, Telemedizin).

Fazit: Die Arbeit legt den Grundstein für ein zukünftiges, automatisiertes Überwachungssystem für diabetische Fußgesundheit, das durch den Einsatz von Isolation Forest auf Zeitreihendaten eine frühere und präzisere Risikoerkennung ermöglicht als traditionelle Methoden.