AI-based multimodal behavioral phenotyping for sarcopenia and muscle health assessment in older adults: study protocol

Wenn Menschen älter werden, baut ihr Körper natürlicherweise Muskelmasse und Kraft ab, ein Zustand, der als Sarkopenie bekannt ist. Dieser Rückgang bedeutet nicht nur, dass man sich schwächer fühlt; er ist eng mit einem höheren Risiko für Stürze, den Verlust der Unabhängigkeit und schwerwiegende gesundheitliche Komplikationen verbunden. Derzeit verlassen sich Ärzte auf spezialisierte Maschinen, um Muskelmasse und Kraft zu messen, oder sie stellen Patienten einfache Fragen zu ihren alltäglichen Schwierigkeiten. Diese Maschinen sind jedoch teuer und schwer für regelmäßige Kontrolluntersuchungen in Nachbarschaften einzusetzen, während einfache Fragen das Problem in seinen frühen Stadien oft übersehen, da Menschen vielleicht nicht merken, dass sie an Kraft verlieren, bis es zu spät ist. Wissenschaftler vermuten schon lange, dass die Art und Weise, wie Menschen sich bewegen, sprechen und sich ausdrücken, verborgene Hinweise auf ihre Muskelgesundheit enthalten könnte – Hinweise, die außerhalb dessen existieren, was eine Person bewusst weiß oder berichtet. Die Herausforderung bestand darin, herauszufinden, wie man diese subtilen Signale von älteren Erwachsenen auf eine Weise erfasst, die natürlich und nicht einschüchternd wirkt, insbesondere wenn diese mit komplexer Technologie nicht vertraut sind.

Ein Forschungsteam der Yeungnam University in Südkorea hat einen neuen Weg entwickelt, um nach diesen Hinweisen zu suchen. Anstatt ältere Erwachsene darum zu bitten, schwierige körperliche Tests durchzuführen oder lange Formulare allein auszufüllen, kreierte das Team eine sanfte, gesprächsbasierte Sitzung, die weniger als dreißig Minuten dauert. Das Ziel ist es zu sehen, ob ein Computerprogramm genau genug zuhören und beobachten kann, um Anzeichen von geringer Muskelmasse allein durch die Beobachtung der Art und Weise zu erkennen, wie eine Person spricht, ihr Gesicht bewegt und gestikuliert, während sie plaudert. Dieser Ansatz betrachtet die menschliche Stimme und das Gesicht als eine reiche Datenquelle, ähnlich der Art und Weise, wie ein Arzt auf einen Herzschlag hört, doch hier ist der „Herzschlag“ der subtile Rhythmus der Sprache und die Mikrobewegungen der Gesichtsmuskeln. Die Forscher versuchen nicht, die Goldstandard-Medizintests zu ersetzen, sondern untersuchen, ob diese alltäglichen Verhaltensweisen als schneller, nicht-invasiver erster Schritt dienen können, um zu identifizieren, wer eine tiefergehende Untersuchung benötigt.

Die Studie umfasst bis zu 120 in der Gemeinschaft lebende Erwachsene im Alter von 65 Jahren und älter. Jeder Teilnehmer kommt in einen ruhigen Laborraum, wo er für eine einzige Sitzung unter der Anleitung eines geschulten Forschers sitzt. Dieser menschliche Begleiter ist ein entscheidender Teil des Designs und fungiert als freundliche Präsenz, um die Angst zu verringern, die der Teilnehmer empfinden könnte, während er aufgezeichnet wird. Die Sitzung ist in zwei Teile unterteilt. Zuerst, während der Teilnehmer frisch und wach ist, nimmt er an einer Reihe natürlicher Interaktionen teil. Sie plaudern kurz über ihren Tag, lesen einen kurzen Text laut vor und betrachten dann Bilder von Gesichtern, die verschiedene Emotionen zeigen, wobei sie zuerst die Emotion identifizieren und dann versuchen, selbst dieses Gesicht nachzuahmen. Schließlich werden sie gebeten, eine kurze Geschichte über einen jüngsten glücklichen Moment und einen jüngsten traurigen Moment zu erzählen. Während dieser Zeit zeichnen Kameras und Mikrofone alles auf und erfassen die Geschwindigkeit ihres Sprechens, die Tonhöhe ihrer Stimme, die spezifischen Muskeln, die sie beim Lächeln oder Stirnrunzeln benutzen, und wie sehr sie ihre Hände und Arme bewegen.

Nach dieser Verhaltensbeobachtung geht die Sitzung in den zweiten Teil über, in dem der Teilnehmer eine Reihe von Standard-Gesundheitsfragen beantwortet. Einige dieser Fragen betreffen ihr Risiko für Muskelverlust, andere fragen nach ihrem Stimmungszustand und ihrem Angstniveau. Die Forscher nutzen hierbei eine Mischung aus Methoden: Einige Fragen werden vom Teilnehmer auf einem Touchscreen beantwortet, während andere vom Begleiter vorgelesen werden, um sicherzustellen, dass alle unabhängig von ihrer Vertrautheit mit der Technologie bequem teilnehmen können. Die Forscher vergleichen dann die Video- und Audioaufnahmen aus dem ersten Teil mit den physischen Messungen, die bei den Teilnehmern vorgenommen wurden. Sie verwenden ein Gerät, das die Menge der Muskelmasse in den Armen und Beinen misst, sowie einen Handgrifftest, um festzustellen, wer eine normale Muskelmasse und Kraft besitzt und wer eine geringe Muskelmasse aufweist. Diese physischen Messungen dienen als „Ground Truth“ (Wahrheit am Boden), gegen die die Verhaltensbeobachtungen getestet werden.

Der Kern der Idee ist, dass die Muskelgesundheit einen Fingerabdruck darauf hinterlassen könnte, wie eine Person sich verhält. Die Forscher hypothetisieren, dass Personen mit geringerer Muskelmasse langsamer sprechen könnten, einen flacheren Tonfall haben oder weniger Vielfalt in ihren Gesichtsausdrücken zeigen könnten. Sie vermuten auch, dass die Art und Weise, wie eine Person ihre Hände beim Sprechen bewegt, weniger flüssig oder weniger häufig sein könnte. Durch den Einsatz fortschrittlicher Computerprogramme wird das Team tausende winziger Details aus den Aufnahmen analysieren, wie etwa wie oft eine Person Pausen macht, wie sehr ihre Stimme zittert oder wie intensiv sie ihre Augenbrauen bewegt. Der Computer wird dann versuchen zu lernen, was den Unterschied zwischen den Verhaltensmustern von Menschen mit gesunden Muskeln und solchen mit geringer Muskelmasse ausmacht. Wenn der Computer in der Lage ist, die beiden Gruppen allein basierend auf dem Video und dem Audio erfolgreich zu unterscheiden, würde dies darauf hindeuten, dass diese Verhaltenssignale tatsächlich mit der Muskelgesundheit verknüpft sind.

Bei dieser Studie handelt es sich um ein Protokoll, was bedeutet, dass es ein detaillierter Plan dafür ist, wie die Forschung durchgeführt werden soll, und nicht ein Bericht über endgültige Ergebnisse. Die Forscher richten das System ein, um sicherzustellen, dass die von ihnen gesammelten Daten von hoher Qualität und konsistent sind. Sie widmen der Rolle des menschlichen Begleiters besondere Aufmerksamkeit und halten sorgfältig fest, wie der Begleiter mit dem Teilnehmer interagiert und wann Hilfe benötigt wird. Diese Informationen sind entscheidend, da das ultimative Ziel darin besteht, schließlich einen digitalen Assistenten zu bauen – vielleicht ein Computerprogramm, das mit Menschen sprechen kann und diese Bewertung ohne einen Menschen durchführen kann. Indem sie beobachten, wie ein echter Mensch einem älteren Erwachsenen hilft, sich wohl und verstanden zu fühlen, hoffen die Forscher, zukünftige Systeme der künstlichen Intelligenz dazu zu lehren, dasselbe zu tun. Sie bauen zudem einen Datensatz auf, der Menschen unterschiedlichen Alters und beiderlei Geschlechts umfasst, um sicherzustellen, dass die von ihnen entwickelte Technologie für alle fair funktioniert.

Die Forscher sind vorsichtig bezüglich dessen, was sie zu finden erwarten. Sie räumen ein, dass ältere Erwachsene sich in einem Labor nervös fühlen könnten, und dass diese Nervosität die Art und Weise, wie sie sprechen oder sich bewegen, verändern könnte, was die Ergebnisse verwirren könnte. Um dies zu bewältigen, messen sie Angst- und Depressionswerte separat, damit sie unterscheiden können, ob der Computer Muskelprobleme oder nur allgemeine Besorgnis erkennt. Sie sind sich auch bewusst, dass die Anzahl der Menschen mit geringer Muskelmasse in einer allgemeinen Gemeinschaftsgruppe klein sein könnte, wes[halb] sie ihre Analyse so geplant haben, dass sie Muster über das gesamte Spektrum der Muskelgesundigkeit hinweg suchen, anstatt nur eine einfache Ja-Nein-Aufteilung vorzunehmen. Sollte die Studie zeigen, dass Verhaltenssignale nützlich sind, könnte dies zu einem neuen Weg führen, um in Gemeinschaften schnell und einfach auf Muskelverlust zu untersuchen, ohne teure Ausrüstung oder lange Wartezeiten. Falls die Signale nicht stark genug sind, wird die Studie dennoch wertvolles Wissen darüber liefern, wie ältere Erwachsene mit Technologie interagieren und wie man bessere Werkzeuge für sie entwirft.

Diese Arbeit steht an der Schnittstelle von Altern, Verhalten und künstlicher Intelligenz. Sie geht über die Vorstellung hinaus, dass Muskelgesundheit nur davon abhängt, wie schnell jemand gehen oder wie schwer ein Gewicht heben kann. Stattdessen legt sie nahe, dass der Zustand des Körpers sich in den leisen, automatischen Arten widerspiegeln könnte, wie wir uns jeden Tag ausdrücken. Indem sie ein Gespräch als Fenster zur körperlichen Gesundheit behandeln, eröffnen die Forscher einen neuen Weg zum Verständnis unseres Alterns. Sie behaupten nicht, das Problem der Sarkopenie gelöst zu haben, aber sie bauen die Werkzeuge, um zu sehen, ob ein einfaches, freundliches Gespräch eines Tages helfen könnte, das Problem frühzeitig zu erkennen, um älteren Menschen mehr Zeit zu geben, stark und unabhängig zu bleiben. Die Studie stellt eine sorgfältige, schrittweise Bemühung dar, eine komplexe biologische Frage in eine praktische, menschenzentrierte Technologie zu verwandeln.