A Shape-Based Functional Index for Objective Assessment of Pediatric Motor Function

Resumen Técnico: Un Índice Funcional Basado en la Forma para la Evaluación Objetiva de la Función Motora Pediátrica

Planteamiento del Problema
Las evaluaciones clínicas para trastornos neuromusculares, específicamente la Distrofia Muscular de Duchenne (DMD) y la Atrofia Muscular Espinal (AME), dependen actualmente en gran medida de medidas subjetivas y observacionales (por ejemplo, la Escala de Extremidades Superiores de Brooke, CHOP-Intend) para monitorear la progresión de la enfermedad y la respuesta al tratamiento. Estos métodos son propensos a sesgos clínicos, carecen de precisión para capturar cambios sutiles y se limitan a visitas clínicas esporádicas. Además, los datos de movimiento pediátrico presentan desafíos analíticos únicos debido a factores de confusión como las variaciones en la longitud de las extremidades en niños en crecimiento, la variabilidad en la velocidad de movimiento y las diferentes capacidades de desarrollo. Los clasificadores existentes de medicina digital a menudo dependen de características de "caja negra" que carecen de interpretabilidad para los clínicos. Los autores buscan desarrollar un método objetivo y basado en datos utilizando sensores portátiles para evaluar la función motora en entornos domésticos, capaz de manejar el desalineamiento temporal y proporcionar patrones cinemáticos interpretables.

Metodología
El estudio propone un flujo de trabajo que combina datos de sensores portátiles con Análisis de Componentes Principales Basado en la Forma (Shape PCA) y regresión de Mínimos Cuadrados Parciales (PLS).

1. Recopilación de Datos:

   • Participantes: 31 participantes (15 DMD, 7 AME, 9 controles sanos) reclutados en la Clínica de Neuromusculatura Pediátrica de la Universidad de Virginia.
   • Sensores: Sensores MetaMotionR+ (acelerómetro y giroscopio a 200 Hz) colocados en las manos dominante y no dominante.
   • Tareas: Actividades de la Vida Diaria (AVD) que incluyen rizos de brazo, rotación de pomo de puerta, elevación de taza, golpeo de puerta y movimiento de paleta.
   • Medidas Clínicas: Puntuaciones de Brooke, medidas de ultrasonido (Área de Sección Transversal, Ecogenicidad Promedio) y medidas de dinamómetro (Torque de Codo Normalizado).

2. Registro de Curvas y Separación de Fase-Amplitud:

   • Los autores utilizan Funciones de Velocidad de Raíz Cuadrada (SRVF) para realizar el alineamiento temporal de las trayectorias de movimiento. Este enfoque separa la "fase" (tiempo/velocidad) de la "amplitud" (forma) del movimiento.
   • Mediante un enfoque elástico y un Algoritmo de Programación Dinámica (DPA), las curvas individuales se alinean a una forma media, eliminando la influencia de las variaciones en la velocidad de movimiento. Esto permite la comparación de señales biomecánicas independientemente de la velocidad a la que se realizan las actividades.

3. Análisis de Componentes Principales Basado en la Forma (Shape PCA):

   • Tras el alineamiento, los autores realizan un PCA en el espacio SRVF (Espacio de Formas) para identificar modos principales de variación (Componentes Principales Verticales o VPC).
   • Este paso aísla patrones cinemáticos interpretables, como la escala (velocidad) y la asimetría, distintos del ruido o las diferencias de tiempo.

4. Modelado Estadístico:

   • Remuestreo (Bootstrapping): Para evaluar la variabilidad, se generaron 10.000 réplicas de remuestreo para evaluar la estabilidad de las relaciones entre las características de los sensores portátiles y los resultados clínicos.
   • Mínimos Cuadrados Parciales (PLS): Se empleó PLS para combinar las proyecciones sobre los componentes principales (VPC) e identificar un modo de covariación que se correlaciona con medidas clínicas (infiltración de grasa muscular, puntuaciones de Brooke, degeneración relacionada con la edad).
   • Modelos Lineales Mixtos: Utilizados para analizar tendencias transversales relacionadas con la edad y las interacciones de la cohorte.

Resultados Clave

• Patrones Cinemáticos: El Shape PCA identificó modos distintos de variación:
  • VPC1 (Velocidad): Refleja principalmente cambios en la velocidad angular (escala). Explicó el 53,87% de la varianza en los datos de rizos de brazo.
  • VPC2 (Asimetría): Captura la asimetría en el movimiento (por ejemplo, diferencias entre las fases ascendente y descendente). Explicó el 25,5% de la varianza.
  • VPC3: Representó ruido del sensor o de segmentación.
• Diferencias de Cohorte:
  • Tanto las cohortes de DMD como de AME mostraron una mayor Ecogenicidad Promedio (indicando infiltración de grasa) y un Torque de Codo Normalizado más bajo en comparación con los controles sanos.
  • Especificidad de la AME: Los pacientes con AME mostraron una activación significativamente mayor del patrón de asimetría de movimiento (VPC2 Rizo) en comparación con la DMD y los controles sanos, lo que sugiere que la AME puede afectar el control del movimiento sutil de manera diferente a la DMD.
  • Ambos grupos de pacientes mostraron una velocidad reducida en los movimientos de golpeo en comparación con los controles sanos.
• Construcción del Índice Funcional:
  • El análisis PLS identificó una dimensión canónica principal que combina características de velocidad y asimetría: $0,76 \times \text{velocidad}_{\text{rizo}} - 0,59 \times \text{velocidad}_{\text{golpeo}} + 0,17 \times \text{asimetría}_{\text{rizo}} + 0,18 \times \text{asimetría}_{\text{golpeo}}$.
  • Esta dimensión logró una correlación canónica de $r = 0,78$ (IC del 95%: [0,34, 0,94]) con la infiltración de grasa muscular, las puntuaciones de Brooke y los cambios degenerativos relacionados con la edad.
  • El método propuesto de Shape PCA superó al PCA Funcional (sin alineamiento) y a la Factorización de Matriz No Negativa (NMF) en términos de correlación canónica mediana y estabilidad del intervalo de confianza.
• Tendencias Longitudinales: El modelado de efectos mixtos reveló un declive significativo relacionado con la edad en la velocidad de movimiento (coeficientes de pendiente positivos) tanto para la DMD ($\beta = 1,337$) como para la AME ($\beta = 2,530$), mientras que los controles sanos no mostraron una pérdida temporal significativa de la función.

Significado y Afirmaciones
El artículo afirma introducir un índice de función motora novedoso e interpretable derivado de datos de sensores portátiles que aborda las limitaciones de las evaluaciones subjetivas actuales. Las afirmaciones clave incluyen:

• Objetividad e Interpretabilidad: A diferencia de los clasificadores de caja negra, el enfoque de Shape PCA produce resultados transparentes e intuitivos (por ejemplo, patrones específicos de asimetría) que los clínicos pueden comprender y confiar.
• Robustez ante Factores de Confusión: El método de separación de fase-amplitud maneja eficazmente las complejidades de los datos pediátricos, como las variaciones en la longitud de las extremidades y las velocidades de movimiento inconsistentes, permitiendo una comparación precisa de trayectorias.
• Potencial de Monitoreo Doméstico: El método está diseñado para su despliegue en entornos domésticos, permitiendo un seguimiento continuo y longitudinal de la eficacia del tratamiento y la progresión de la enfermedad sin la carga de visitas clínicas frecuentes.
• Relevancia Clínica: El índice derivado se correlaciona fuertemente con métricas clínicas establecidas (infiltración de grasa muscular, fuerza, puntuaciones funcionales), lo que sugiere que puede servir como un biomarcador sensible para evaluar intervenciones terapéuticas en enfermedades neuromusculares raras.

Los autores concluyen que este enfoque basado en datos ofrece una vía práctica para mejorar el monitoreo de pacientes y la toma de decisiones clínicas, particularmente para enfermedades raras donde reclutar grandes cohortes para ensayos tradicionales es difícil.