Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFM est un modèle de fondation qui estime avec précision la cinétique de la marche à travers diverses cohortes neurologiques et développementales en utilisant des entrées cinématiques flexibles, démontrant une grande généralisabilité et une robustesse sans nécessiter de réentraînement pour des populations ou des protocoles de mesure spécifiques.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
La marche est un acte mécanique complexe que la plupart d'entre nous accomplissons sans y réfléchir à deux fois, mais pour les médecins traitant des pathologies telles que la paralysie cérébrale, l'AVC ou la maladie de Parkinson, comprendre les forces précises impliquées dans chaque pas est crucial. Pour planifier des chirurgies ou adapter la rééducation, les cliniciens doivent savoir non seulement comment une personne se déplace, mais aussi quelle force leurs articulations absorbent et génèrent. Traditionnellement, mesurer ces forces internes était une tâche difficile réservée aux laboratoires spécialisés. Cela nécessite un équipement coûteux, tel que des plateformes de force et des caméras qui suivent des marqueurs réfléchissants placés sur le corps, ainsi qu'une équipe d'experts pour traiter les données. Cette installation est si encombrante qu'elle est rarement disponible dans les cliniques ordinaires, les centres communautaires ou à domicile, laissant un fossé important dans la manière dont les médecins surveillent et traitent les patients en dehors d'un cadre de recherche.
Une équipe de chercheurs a développé une nouvelle approche qui vise à combler ce fossé en utilisant un type d'intelligence artificielle appelé modèle de fondation (foundation model). Au lieu de s'appuyer sur des plaques de force, ce système, nommé PathoGaitFM, peut estimer les forces agissant sur le corps en utilisant uniquement les angles des articulations lors de leurs mouvements. Les chercheurs ont entraîné ce modèle sur une vaste quantité de données provenant d'adultes sains, lui enseignant la physique fondamentale de la marche. Ils ont ensuite testé si ce modèle unique et partagé pouvait prédire avec précision les forces pour des personnes présentant différentes pathologies neurologiques, notamment des enfants atteints de paralysie cérébrale, des adultes ayant subi un AVC et des personnes atteintes de la maladie de Parkinson. L'objectif était de voir si un modèle universel pouvait comprendre la mécanique de la marche à travers des corps et des schémas de mouvement très différents sans nécess avoir besoin d'être réentraîné pour chaque groupe spécifique.
Les résultats montrent que le modèle est remarquablement efficace pour cette tâche. Lorsqu'il a été testé sur des données provenant de quatre groupes de patients différents, le système a réussi à reconstruire les schémas de force de la marche avec un haut degré de précision, correspondant aux mesures de référence avec un score de corrélation de 0,811. Cette performance était légèrement supérieure à celle d'autres méthodes existantes qui avaient été spécifiquement entraînées pour chaque groupe individuel. Plus important encore, le modèle a démontré une forte capacité de généralisation. Lorsque les chercheurs ont appliqué le même modèle à cinq nouveaux ensembles de données provenant de différents laboratoires et populations — sans effectuer aucun ajustement ni réentraînement — la précision est restée élevée, avec un score de corrélation de 0,898. Cela suggère que le modèle a acquis une compréhension profonde et partagée du fonctionnement de la mécanique de la marche, plutôt que de simplement mémoriser les détails spécifiques des personnes sur lesquelles il a été entraîné.
Une autre découverte clé concerne la flexibilité du modèle concernant les données qu'il reçoit. Dans des scénarios réels, des capteurs peuvent tomber en panne ou un patient peut ne pas être en mesure de porter des marqueurs sur chaque articulation. Les chercheurs ont testé si le modèle pouvait toujours fonctionner si certains angles articulaires étaient manquants. Ils ont constaté que même en supprimant les informations sur les hanches, les genoux ou les chevilles, la précision du modèle n'a diminué que légèrement, par une faible marge de 0,041 au maximum dans son score de corrélation. Cela indique que le système peut s'adapter à des informations incomplètes, une caractéristique vitale pour l'utilisation clinique où les données parfaites ne sont pas toujours disponibles. De plus, le modèle a bien fonctionné lorsqu'il était alimenté par des données de caméras vidéo et de capteurs de mouvement portables, obtenant des résultats comparables à ceux obtenus avec les systèmes traditionnels basés sur des marqueurs.
L'étude a également comparé cette nouvelle approche à d'autres méthodes établies. Les chercheurs ont constaté que leur modèle de fondation surpassait trois autres modèles publiés qui avaient été réentraînés spécifiquement pour les mêmes groupes de patients. Cela suggère que la stratégie consistant à pré-entraîner sur un grand ensemble de données de marche saine puis à utiliser une technique pour combler les données manquantes est plus puissante que de construire des modèles distincts pour chaque condition spécifique. Le modèle a été capable d'estimer les forces pour la hanche, le genou et la cheville, ainsi que la force verticale poussant depuis le sol, à travers une large gamme d'âges et de conditions. Bien que les erreurs soient légèrement plus importantes pour les patients présentant des troubles du mouvement plus sévères, les estimations restent dans une plage comparable à la variation naturelle observée lorsqu'une personne marche plusieurs fois dans un laboratoire.
Ce travail ouvre la voie à un avenir où l'analyse biomécanique détaillée ne sera plus confinée au laboratoire. En démontrant qu'un seul modèle peut estimer avec précision les forces à partir d'entrées flexibles à travers diverses populations, les chercheurs ont fourni une base solide pour l'utilisation de technologies portables dans les soins de routine. Les conclusions suggèrent que les médecins pourraient bientôt utiliser des enregistrements vidéo ou de simples capteurs de mouvement portables pour obtenir des informations sur la charge articulaire et la mécanique du mouvement, rendant l'analyse de la marche avancée accessible pour les cliniques externes et la rééducation à domicile. Bien que le modèle ne remplace pas la précision des plaques de force à des fins de recherche, il offre une alternative prometteuse pour les contextes où un tel équipement est logistiquement impossible à utiliser, transformant potentiellement la façon dont les troubles du mouvement sont surveillés et traités dans la pratique quotidienne.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.