Multimodal mean and variability gait features for machine- learning discrimination between healthy middle-aged and older adults and participants with knee osteoarthritis, with exploratory Kellgren-Lawrence grading: a retrospective internal evaluation
Diese retrospektive Studie zeigt, dass ein multimodales maschinelles Lernfusionsmodell, das Mittelwert- und Variabilitätsgangmerkmale aus den Domänen Spatiotemporalität, Plantar-Druck und Gelenkbeweglichkeit kombiniert, eine hohe Genauigkeit bei der Unterscheidung zwischen gesunden Erwachsenen und Personen mit Kniearthrose erreicht, wenngleich seine Leistung für die explorative Kellgren-Lawrence-Schweregradabstufung zwischen dem Validierungs- und dem internen Testdatensatz inkonsistent war.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das Gehen ist ein Rhythmus, über den wir selten nachdenken, bis er ins Stocken gerät. Für Menschen mit Knieosteoarthritis – einem Zustand, bei dem die Polsterung im Gelenk abgenutzt wird – verändert sich dieser Rhythmus. Sie gehen vielleicht langsamer, machen kürzere Schritte oder verlagern ihr Gewicht anders, um Schmerzen zu vermeiden. Wissenschaftler wissen schon lange, dass die Art und Weise, wie ein Mensch geht, Hinweise auf seine Gesundheit gibt, aber sie hatten Schwierigkeiten, sich darauf zu einigen, welche Hinweise genau am wichtigsten sind. Ist es die durchschnittliche Art, wie sich eine Person bewegt, oder sind es die winzigen, momentanen Schwankungen in ihrem Schritt? Erzählt der Druck unter ihrem Fuß eine andere Geschichte als der Winkel ihres Knies? Das Verständnis dieser Details ist entscheidend, da es Ärzten helfen könnte, die Krankheit früher zu erkennen oder ihren Verlauf zu verfolgen, ohne sich allein auf Röntgenaufnahmen zu verlassen, die zwar die Knochenstruktur zeigen, aber nicht, wie sich ein Mensch tatsächlich bewegt.
Ein Forschungsteam in China machte sich daran, diese Fragen zu entwirren, indem es genau auf die Schritte von fast 340 Menschen hörte. Sie versammelten eine Gruppe gesunder Erwachsener, die vom mittleren Alter bis zum Senium reichte, und eine zweite Gruppe von Menschen mit bestätigter Knieosteoarthritis. Mit einem speziellen Laufsteg, der den Druck unter dem Fuß misst, und einem Kamerasystem, das die Gelenkbewegungen verfolgt, zeichneten sie auf, wie jede Person ging. Die Forscher betrachteten nicht nur die durchschnittliche Geschwindigkeit oder den durchschnittlichen Winkel eines Knies; sie maßen auch, wie stark diese Zahlen von einem Schritt zum nächsten variierten. Sie behandelten diese zwei Arten von Informationen – den stetigen Durchschnitt und die schwankende Variabilität – als separate Datenströme, in der Hoffnung, dass die Kombination beider eine klarere Vorstellung davon vermitteln würde, wer an der Krankheit leidet und wer nicht.
Die Studie konzentrierte sich auf zwei unterschiedliche Ziele. Erstens wollten sie sehen, ob ein Computerprogramm den Unterschied zwischen den gesunden Gehern und denen mit Knieschmerzen erkennen konnte. Zweitens versuchten sie zu prüfen, ob dieselben Gehdaten die Patienten in verschiedene Schweregrade einteilen konnten, basierend auf einer Standardskala, die Ärzte zur Bewertung des auf Röntgenbildern sichtbaren Schadens verwenden. Um dies zu erreichen, fütterten sie den Computer mit Daten aus drei Hauptbereichen: wie die Füße den Boden berühren, wie sich die Gelenke bewegen und das Timing der Schritte. Sie testeten viele verschiedene mathematische Ansätze, um denjenigen zu finden, der am besten funktionierte, wobei sie ihre Daten sorgfältig aufteilten, sodass der Computer an einem Satz von Menschen lernte und an einem völlig anderen, den er noch nie gesehen hatte, getestet wurde.
Die Ergebnisse für das erste Ziel waren bemerkenswert. Als der Computer gebeten wurde, schlichtweg zwischen einer gesunden Person und jemandem mit Knieosteoarthritis zu unterscheiden, war er bemerkenswert genau. Durch die Kombination der durchschnittlichen Gangmuster mit den Variationen in diesen Mustern identifizierte das Modell die Gruppen in fast jedem Fall korrekt. Die wichtigsten Hinweise kamen aus einer Mischung von Quellen: wie konsistent der Fuß das Gewicht verlagerte, wie stark das Knie bewegte und wie stabil das Sprunggelenk war. Dies deutet darauf hin, dass die Krankheit sowohl die allgemeine Strategie, die eine Person beim Gehen anwendet, als auch die Stabilität dieser Strategie verändert. Der Computer musste sich nicht auf nur eine Art von Messung verlassen; die Kraft lag darin, der gesamten Geschichte des Ganges zuzuhören.
Das zweite Ziel erwies sich jedoch als viel schwieriger. Als die Forscher den Computer baten, den Schweregrad der Erkrankung einzustufen – also zwischen leichten, mittelschweren und schweren Fällen basierend auf dem Gehen allein zu unterscheiden – waren die Ergebnisse inkonsistent. Das Modell, das gut funktionierte, um die Krankheit zu erkennen, scheiterte daran, die Patienten zuverlässig nach der Schwere ihrer Erkrankung zu sortieren. In der Testphase verwechselte der Computer die verschiedenen Schweregrade oft, und er schnitt in einigen Fällen nicht besser ab als durch bloßes Raten. Dieser Befund ist bedeutsam, da er darauf hindeutet, dass zwar Gangmuster deutlich zeigen, dass etwas nicht stimmt, sie aber nicht zwangsläufig direkt mit dem spezifischen Grad der Schädigung auf einem Röntgenbild korrelieren. Zwei Personen mit demselben Grad an Gelenkschädigung könnten sehr unterschiedlich gehen, vielleicht weil die eine ihre Bewegung angepasst hat, um Schmerzen zu bewältigen, während die andere dies nicht getan hat.
Die Forscher kamen zu dem Schluss, dass die Ganganalyse zwar ein leistungsfähiges Werkzeug zur Erkennung des Vorhandenseins von Knieosteoarthritis ist, aber noch kein zuverlässiges Instrument zur Einstufung ihres Schweregrads darstellt. Die Studie unterstreicht, dass die Art und Weise, wie wir gehen, eine komplexe Mischung aus Gewohnheiten, Schmerzreaktionen und körperlichen Einschränkungen ist, die nicht immer perfekt mit der strukturellen Schädigung im Gelenk übereinstimmt. Vorerst scheint der beste Einsatz dieser Technologie darin zu liegen, zu identifizieren, wer medizinische Aufmerksamkeit benötigt, anstatt zu versuchen, das Röntgenbild durch eine Schrittzählmaschine zu ersetzen. Die Arbeit öffnet die Tür für zukünftige Studien, um zu sehen, ob diese Gangsignaturen die Veränderung des Zustands eines Menschen über die Zeit verfolgen können, dient aber auch als Erinnerung daran, dass der menschliche Körper zu komplex ist, um auf einen einzigen, einfachen Wert reduziert werden zu können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.