Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFM ist ein Foundation Model, das die Gangkinetik über verschiedene neurologische und entwicklungsbedingte Kohorten hinweg unter Verwendung flexibler kinematischer Eingabedaten präzise schätzt und dabei eine hohe Generalisierbarkeit sowie Robustheit demonstriert, ohne dass ein Nachtraining für spezifische Populationen oder Messprotokolle erforderlich ist.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das Gehen ist ein komplexer mechanischer Akt, den die meisten von uns vollziehen, ohne einen zweiten Gedanken daran zu verschwenden, doch für Ärzte, die Erkrankungen wie Zerebralparese, Schlaganfall oder Parkinson behandeln, ist das Verständnis der präzisen Kräfte, die bei jedem Schritt wirken, entscheidend. Um Operationen zu planen oder die Rehabilitation maßgeschneidert anzupassen, müssen Kliniker nicht nur wissen, wie eine Person sich bewegt, sondern auch, wie viel Kraft ihre Gelenke absorbieren und erzeugen. Traditionell war die Messung dieser internen Kräfte eine schwierige Aufgabe, die spezialisierten Laboren vorbehalten war. Sie erfordert teure Ausrüstung, wie etwa kraftsensitive Böden und Kameras, die reflektierende Marker verfolgen, die am Körper angebracht sind, sowie ein Team von Experten zur Datenverarbeitung. Dieser Aufbau ist so umständlich, dass er in regulären Kliniken, Gemeindezentren oder zu Hause kaum verfügbar ist, was eine erhebliche Lücke in der Art und Weise hinterlässt, wie Ärzte Patienten außerhalb eines Forschungsumfelds überwachen und behandeln können.
Ein Forschungsteam hat einen neuen Ansatz entwickelt, der darauf abzielt, diese Lücke mithilfe einer Art künstlicher Intelligenz, einem sogenannten Foundation Model, zu schließen. Anstatt sich auf Kraftmessplatten zu verlassen, kann dieses System mit dem Namen PathoGaitFM die auf den Körper wirkenden Kräfte allein anhand der Gelenkwinkel während der Bewegung abschätzen. Die Forscher trainierten dieses Modell mit einer riesigen Menge an Daten gesunder Erwachsener und brachten ihm die grundlegende Physik des Gehens bei. Anschließend testeten sie, ob dieses einzelne, gemeinsame Modell die Kräfte für Menschen mit unterschiedlichen neurologischen Erkrankungen – darunter Kinder mit Zerebralparese, Erwachsene nach einem Schlaganfall und Menschen mit Parkinson – präzise vorhersagen kann. Das Ziel war es zu sehen, ob ein universelles Modell die Mechanik des Gehens über sehr unterschiedliche Körper und Bewegungsmuster hinweg verstehen kann, ohne für jede spezifische Gruppe neu trainiert werden zu müssen.
Die Ergebnisse zeigen, dass das Modell bei dieser Aufgabe bemerkenswert effektiv ist. Als es mit Daten aus vier verschiedenen Patientengruppen getestet wurde, rekonstruierte das System die Kraftmuster des Gehens mit einem hohen Grad an Genauigkeit und erreichte einen Korrelationswert von 0,811 im Vergleich zu den Referenzmessungen. Diese Leistung war etwas besser als die anderer bestehender Methoden, die speziell für die jeweilige Gruppe trainiert worden waren. Noch wichtiger ist, dass das Modell eine starke Fähigkeit zur Generalisierung bewies. Als die Forscher das gleiche Modell auf fünf völlig neue Datensätze aus verschiedenen Laboratorien und Populationen anwandten – ohne Anpassungen oder ein erneutes Training vorzunehmen –, blieb die Genauigkeit hoch und erreichte einen Korrelationswert von 0,898. Dies deutet darauf darauf hin, dass das Modell ein tiefes, gemeinsames Verständnis dafür erlernt hat, wie die Gehmechanik funktioniert, anstatt lediglich die spezifischen Details der Menschen auswendig zu lernen, mit denen es trainiert wurde.
Ein weiterer wichtiger Befund ist die Flexibilität des Modells hinsichtlich der empfangenen Daten. In realen Szenarien können Sensoren ausfallen oder ein Patient ist möglicherweise nicht in der Lage, Marker an jedem Gelenk zu tragen. Die Forscher testeten, ob das Modell weiterhin funktionieren kann, wenn bestimmte Gelenkwinkel fehlen. Sie fanden heraus, dass selbst wenn Informationen über Hüften, Knie oder Knöchel entfernt wurden, die Genauigkeit des Modells nur geringfügig sank, um maximal 0,041 in seinem Korrelationswert. Dies zeigt, dass das System in der Lage ist, mit unvollständigen Informationen umzugehen, was ein entscheidendes Merkmal für den klinischen Einsatz ist, in dem nicht immer perfekte Daten zur Verfügung stehen. Darüber hinaus funktionierte das Modell gut, wenn es mit Daten aus Videokameras oder tragbaren Bewegungssensoren gespeist wurde, wobei es Ergebnisse erzielte, die mit denen herkömmlicher, markerbasierter Systeme vergleichbar sind.
Die Studie verglich diesen neuen Ansatz auch mit anderen etablierten Methoden. Die Forscher stellten fest, dass ihr Foundation Model drei anderen veröffentlichten Modellen übertraf, die speziell für dieselben Patientengruppen nachjustiert worden waren. Dies deutet darauf hin, dass die Strategie, ein Pre-Training auf einem großen Datensatz des gesunden Gehens durchzuführen und anschließend eine Technik anzuwenden, um fehlende Daten zu ergänzen, leistungsfähiger ist als der Aufbau separater Modelle für jede spezifische Erkrankung. Das Modell war in der Lage, die Kräfte für Hüfte, Knie und Knöchel sowie die vertikale Kraft, die vom Boden nach oben drückt, über ein breites Altersspektrum und verschiedene Zustände hinweg abzuschätzen. Obwohl die Fehler bei Patienten mit schwereren Bewegungsstörungen etwas größer waren, lagen die Schätzungen immer noch in einem Bereich, der mit der natürlichen Variation vergleichbar ist, die auftritt, wenn eine Person mehrmals in einem Labor geht.
Diese Arbeit weist den Weg in eine Zukunft, in der detaillierte biomechanische Analysen nicht mehr auf das Labor beschränkt sind. Durch den Nachweis, dass ein einziges Modell Kräfte aus flexiblen Eingaben über diverse Populationen hinweg genau abschätzen kann, haben die Forscher eine starke Grundlage für den Einsatz tragbarer Technologie in der Routineversorgung geschaffen. Die Ergebnisse legen nahe, dass Ärzte bald Videosequenzen oder einfache tragbare Sensoren nutzen könnten, um Einblicke in die Gelenkbelastung und die Bewegungsmechanik zu gewinnen, was eine fortschrittliche Ganganalyse für ambulante Kliniken und die häusliche Rehabilitation zugänglich macht. Während das Modell die Präzision von Kraftmessplatten für Forschungszwecke nicht ersetzt, bietet es eine vielversprechende Alternative für Umgebungen, in denen eine solche Ausrüstung logistisch nicht einzusetzen ist, und könnte somit die Überwachung und Behandlung von Bewegungsstörungen im Alltag transformieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.