IMU-Based Hip Adduction and Flexion Moment Estimation for Osteoarthritis and Healthy Individuals During Normal and Modified Gait

Für Millionen von Menschen, die an Hüftarthrose leiden, ist der einfache Akt des Gehens ein ständiger Kampf mit dem Schmerz. Die Erkrankung baut den glatten Knorpel ab, der das Gelenk polstert, und verwandelt jeden Schritt in eine schleifende Reibung, die zu schwerer Behinderung führen kann. Während Ärzte den Schaden auf einem Röntgenbild sehen können, entfaltet sich die wahre Geschichte der Krankheit in den unsichtbaren Kräften, die auf den Körper wirken, während eine Person sich bewegt. Jedes Mal, wenn ein Fuß auf den Boden trifft, absorbiert das Hüftgelenk eine enorme Last, und die Art und Weise, wie eine Person geht – wie sie sich lehnt, wie sie ihre Zehen dreht, wie schnell sie sich bewegt – bestimmt genau, wie viel Stress dieses Gelenk erfährt. Über die Zeit können diese kumulativen Kräfte die Krankheit beschleunigen, doch für die meisten Patienten geschieht diese gefährliche Belastung in der Stille ihres täglichen Lebens, weit weg von den spezialisierten Kliniken, in denen solche Messungen normalerweise durchgeführt werden.

Bis jetzt erforderte das Verständnis dieser Kräfte einen Besuch in einem Biomechanik-Labor. Dort gehen Patienten über einen Boden, der mit riesigen Drucksensoren bestückt ist, während Kameras ihre Bewegungen mit lasergenauer Präzision verfolgen. Dieser Aufbau liefert eine detaillierte Momentaufnahme der Gelenkbelastung, ist jedoch teuer, sperrig und erfasst nur wenige Sekunden des Gehens in einer kontrollierten Umgebung. Er kann einem Arzt nicht sagen, wie sich die Hüfte eines Patienten bei einem Morgenspaziergang im Park, beim Einkaufen oder in einem Moment der Ablenkung verhält. Die Herausforderung für die medizinische Wissenschaft bestand darin, einen Weg zu finden, um dieses Maß an Erkenntnis aus dem Labor in die reale Welt zu bringen, indem kleine, tragbare Geräte verwendet werden, die die Bewegung des Körpers verfolgen können, ohne die Notwendigkeit einer ganzen Zimmer voller Ausrüstung.

Ein Team von Forschern der Shanghai Jiao Tong University, der Kyoto University und der Chinese University of Hong Kong hat einen bedeutenden Schritt zur Lösung dieses Problems unternommen. Sie entwickelten eine neue Methode, um die Dreh- und Biegekräfte im Hüftgelenk allein mithilfe kleiner, am Körper befestigter Sensoren zu schätzen. Diese Sensoren, bekannt als Inertialsensoren (Inertial Measurement Units), sind winzige Geräte, die Beschleunigung und Rotation erkennen können, ähnlich den Chips, die in Smartphones zu finden sind. Die Forscher wollten wissen, ob sie diese einfachen Signale nutzen könnten, um die komplexen Kräfte zu rekonstruieren, die auf die Hüfte wirken, selbst bei Menschen mit Arthritis und selbst wenn diese Menschen ihre Art zu gehen veränderten.

Um ihre Idee zu testen, rekrutierte das Team vierundachtzig Teilnehmer, darunter junge gesunde Erwachsene, ältere gesunde Erwachsene und Menschen mit diagnostizierter Hüftarthrose. Sie baten alle, auf einem Laufband und über einen mit Kraftsensoren ausgestatteten Boden zu gehen, während sie acht dieser kleinen Geräte an ihrem Rumpf, Becken und ihren Beinen trugen. Die Teilnehmer gingen nicht einfach normal; sie wurden gebeten, ihr Gangbild auf spezifische Weise zu modifizieren, um zu sehen, ob das System mithalten konnte. Sie gingen schneller und langsamer, drehten ihre Zehen nach innen und außen, machten ihre Schritte breiter und schmaler, lehnten ihren Oberkörper zur Seite und versuchten sogar, während sie rückwärts in Dreierschritten zählten, zu gehen, um eine abgelenkte Geisteshaltung zu simulieren. Dies schuf eine riesige Bibliothek von Bewegungsdaten, die erfasste, wie sich die Hüfte unter einer Vielzahl von Bedingungen verhält.

Die Forscher bauten daraufhin ein Computermodell, eine Art künstliche Intelligenz, die darauf ausgelegt ist, Muster aus Daten zu lernen. Sie trainierten dieses Modell darauf, die Signale von den Sensoren an Rumpf, Becken und Beinen zu analysieren und die entsprechenden Kräfte im Inneren der Hüfte vorherzusagen. Das Ziel war es, ein System zu schaffen, das für jeden funktionieren konnte, nicht nur für die Personen, für die es trainiert wurde. Zunächst testeten sie eine „Einheitsversion“ des Modells. Diese Version war zwar recht gut, hatte aber Schwierigkeiten, die exakten Zahlen für jeden Einzelnen richtig zu treffen, insbesondere für jene mit Arthritis, deren Bewegungsmuster sich signifikant von gesunden Menschen unterschieden.

Der Durchbruch gelang den Forschern, als sie eine Technik namens „Few-Shot-Personalisierung“ einführten. Anstatt zu versuchen, jeden Menschen in dieselbe Form zu pressen, ermöglichten sie dem Modell, ein wenig über jede neue Person zu lernen, indem nur eine winzige Menge an Daten verwendet wurde. Bevor das System einen neuen Teilnehmer bei den schwierigen, modifizierten Gehaufgaben testete, bat es ihn, nur wenige Schritte ganz normal zu gehen. Das Modell nutzte diese wenigen Schritte, um seine internen Einstellungen anzupassen, um der spezifischen Körpergröße der Person, der Art, wie sie die Sensoren trug, und ihrer einzigartigen Art der Bewegung gerecht zu werden. Es war ein Prozess der Kalibrierung, vergleichbar mit dem Einstimmen eines Radios auf einen bestimmten Sender, aber durchgeführt in Sekundenschnelle durch den Computer.

Die Ergebnisse zeigten, dass diese kleine Anpassung einen riesigen Unterschied machte. Als das Modell nur die Daten aus wenigen normalen Schritten zur Personalisierung nutzte, wurden seine Vorhersagen bemerkenswert genau. Für die Kräfte, die die Hüfte nach innen drücken, und die Kräfte, die sie nach vorne biegen, sank der Fehler erheblich, und die vorhergesagten Bewegungsmuster entsprachen den tatsächlichen Messungen mit einem hohen Grad an Präzision. Diese Genauigkeit blieb auch dann bestehen, wenn die Teilnehmer zu den schwierigen Aufgaben übergingen, wie etwa das Gehen mit einem breiten Schritt oder mit geneigtem Rumpf. Das System musste nicht für jeden neuen Gehstil neu trainiert werden; die anfängliche Kalibrierung reichte aus, um es auf neue Situationen übertragen zu können.

Vielleicht am wichtigsten ist, dass das System bei einer unabhängigen Gruppe von Menschen genauso gut funktionierte, die zuvor nicht Teil des Trainingsprozesses gewesen waren. Diese Gruppe umfasste mehr Menschen mit Hüftarthrose und Entwicklungsstörungen der Hüfte, die auf einer ebenen Fläche statt auf einem Laufband gingen. Das personalisierte Modell konnte deren Hüftkräfte erfolgreich schätzen, was bewies, dass die Methode über verschiedene Umgebungen und verschiedene Patiententypen hinweg transferierbar ist. Die Forscher fanden heraus, dass das System nicht nur die durchschnittliche Kraft, sondern auch die spezifischen Spannungsspitzen, die im Moment des Auftreffens des Fußes auftreten, sowie die gesamte über den gesamten Schritt kumulierte Belastung genau erfassen konnte. Diese Details sind entscheidend für Ärzte, da sie anzeigen, welche Gehmuster schädlich sein könnten und welche die Hüfte schützen könnten.

Die Studie untersuchte auch, wie viele Sensoren tatsächlich benötigt wurden. Sie fanden heraus, dass die Verwendung von Sensoren an Rumpf, Becken, Oberschenkel und Schienbein das beste Gleichgewicht zwischen Genauigkeit und Komfort bot. Das Hinzufügen eines Sensors am Fuß verbesserte die Ergebnisse nicht genug, um die zusätzliche Belastung für den Patienten zu rechtfertigen. Dies deutet darauf hin, dass ein praktisches, tragbares System für den täglichen Gebrauch recht einfach sein könnte und nur vier kleine Geräte anstelle einer komplexen Anordnung von Ausrüstungen erfordert.

Die Auswirkungen dieser Arbeit reichen weit über das Labor hinaus. Indem sie eine genaue, kontinuierliche Überwachung der Hüftbelastung außerhalb einer Klinik ermöglichen, könnte diese Technologie Ärzten helfen, schädliche Gehgewohnheiten zu identifizieren, bevor sie weitere Schäden verursachen. Sie könnte es Patienten ermöglichen, ein Echtzeit-Feedback darüber zu erhalten, wie sie ihr Gangbild anpassen können, um den Schmerz zu lindern und das Fortschreiten ihrer Erkrankung zu verlangsamen. Anstatt auf eine jährliche Untersuchung zu warten, bei der ein Arzt vielleicht nur ein statisches Bild des Gelenks sieht, könnten Patienten diese Sensoren während ihres täglichen Lebens tragen, um zu sehen, wie ihr Körper auf verschiedene Aktivitäten reagiert. Die Forscher schlagen vor, dass dieser Ansatz schließlich zu personalisierten Rehabilitationsplänen führen könnte, die auf Basis von Echtzeitdaten aus der Praxis statt auf theoretischen Modellen angepasst werden.

Obwohl die Studie unter kontrollierten Bedingungen mit Teilnehmern durchgeführt wurde, die auf Laufbändern und markierten Böden gingen, deutet der Erfolg des personalisierten Modells bei einer unabhängigen Gruppe, die auf dem Boden ging, auf ein starkes Potenzial für die Anwendung in der realen Welt hin. Die Forscher räumen ein, dass zukünftige Arbeiten das System in völlig unkontrollierten Umgebungen, wie belebten Straßen oder unebenem Gelände, testen und Wege finden müssen, um den Bedarf an den anfänglichen Kalibrierungsschritten zu reduzieren. Das Kernergebnis bleibt jedoch klar: Durch die Kombination von tragbaren Sensoren mit einem intelligenten, anpassungsfähigen Computermodell ist es möglich, die unsichtbaren Kräfte zu sehen, die auf die menschliche Hüfte wirken, und damit ein neues Fenster zur Bewältigung einer der häufigsten und schwersersten Gelenkerkrankungen unserer Zeit zu öffnen.