Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFM एक फाउंडेशन मॉडल है जो लचीले काइनेमैटिक इनपुट का उपयोग करके विविध न्यूरोलॉजिकल और विकासात्मक समूहों में सटीक रूप से गेट काइनेटिक्स (gait kinetics) का अनुमान लगाता है, जो विशिष्ट आबादी या मापन प्रोटोकॉल के लिए पुन: प्रशिक्षण की आवश्यकता के बिना उच्च सामान्यीकरण क्षमता और मजबूती प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
चलना एक जटिल यांत्रिक क्रिया है जिसे हम में से अधिकांश लोग बिना किसी विचार के करते हैं, लेकिन सेरेब्रल पाल्सी, स्ट्रोक या पार्किंसंस रोग जैसी स्थितियों का इलाज करने वाले डॉक्टरों के लिए, हर कदम में शामिल सटीक बलों को समझना अत्यंत महत्वपूर्ण है। सर्जरी की योजना बनाने या पुनर्वास को अनुकूलित करने के लिए, चिकित्सकों को न केवल यह जानने की आवश्यकता होती है कि व्यक्ति कैसे चलता है, बल्कि यह भी कि उनके जोड़ कितनी शक्ति को अवशोषित और उत्पन्न कर रहे हैं। पारंपरिक रूप से, इन आंतरिक बलों को मापना एक कठिन कार्य रहा है जो विशेष प्रयोगशालाओं तक ही सीमित था। इसके लिए महंगे उपकरणों की आवश्यकता होती है, जैसे कि बल-संवेदनशील फर्श (force-sensitive floors) और कैमरे जो शरीर पर रखे गए परावर्तक चिह्नों (reflective markers) को ट्रैक करते हैं, साथ ही डेटा को प्रोसेस करने के लिए विशेषज्ञों की एक टीम की भी आवश्यकता होती है। यह सेटअप इतना बोझिल है कि यह नियमित क्लीनिकों, सामुदायिक केंद्रों या घर पर शायद ही कभी उपलब्ध होता है, जिससे शोध सेटिंग के बाहर मरीजों की निगरानी और उपचार करने के तरीके में एक बड़ा अंतर रह जाता है।
शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जिसका उद्देश्य 'फाउंडेशन मॉडल' नामक आर्टिफिशियल इंटेलिजेंस के एक प्रकार का उपयोग करके इस अंतर को पाटना है। फोर्स प्लेट्स पर निर्भर रहने के बजाय, यह प्रणाली, जिसका नाम PathoGaitFM है, केवल चलते समय जोड़ों के कोणों (angles) का उपयोग करके शरीर पर लगने वाले बलों का अनुमान लगा सकती है। शोधकर्ताओं ने इस मॉडल को स्वस्थ वयस्कों के विशाल डेटा पर प्रशिक्षित किया, जिससे इसे चलने के मूलभूत भौतिक विज्ञान (physics) की शिक्षा मिली। फिर उन्होंने परीक्षण किया कि क्या यह एकल, साझा मॉडल विभिन्न न्यूरोलॉजिकल स्थितियों वाले लोगों के लिए बलों की सटीक भविष्यवाणी कर सकता है, जिसमें सेरेब्रल पाल्सी वाले बच्चे, स्ट्रोक से प्रभावित वयस्क और पार्किंसंस रोग वाले लोग शामिल हैं। लक्ष्य यह देखना था कि क्या एक सार्वभौमिक मॉडल बहुत अलग प्रकार के शरीरों और चलने के पैटर्नों में चलने की यांत्रिकी (mechanics) को समझ सकता है, बिना प्रत्येक विशिष्ट समूह के लिए पुन: प्रशिक्षित हुए।
परिणाम दर्शाते हैं कि मॉडल इस कार्य में उल्लेखनीय रूप से प्रभावी है। चार अलग-अलग रोगी समूहों के डेटा पर परीक्षण करते समय, इस प्रणाली ने उच्च सटीकता के साथ चलने के बल पैटर्न का सफलतापूर्वक पुनर्निर्माण किया, जिसने 0.81 के सहसंबंध स्कोर (correlation score) के साथ संदर्भ मापों से मेल खाया। यह प्रदर्शन अन्य मौजूदा तरीकों से थोड़ा बेहतर था जो विशेष रूप से प्रत्येक व्यक्तिगत समूह के लिए प्रशिक्षित किए गए थे। अधिक महत्वपूर्ण बात यह है कि मॉडल ने एक मजबूत सामान्यीकरण (generalization) क्षमता का प्रदर्शन किया। जब शोधकर्ताओं ने एक ही मॉडल को विभिन्न प्रयोगशालाओं और आबादी से प्राप्त पांच पूरी तरह से नए डेटासेट्स पर लागू किया—बिना किसी समायोजन या पुन: प्रशिक्षण के—तो सटीकता उच्च बनी रही, जिसका सहसंबंध स्कोर 0.898 था। यह सुझाव देता है कि मॉडल ने चलने की यांत्रिकी कैसे काम करती है, इसकी एक गहरी, साझा समझ विकसित कर ली है, न कि केवल उन लोगों के विशिष्ट विवरणों को याद किया है जिनके लिए इसे प्रशिक्षित किया गया था।
इस मॉडल की एक अन्य प्रमुख विशेषता इसके द्वारा प्राप्त किए जाने वाले डेटा के संबंध में इसकी लचीलापन है। वास्तविक दुनिया के परिदृश्यों में, सेंसर विफल हो सकते हैं, या रोगी हर जोड़ पर मार्कर नहीं पहन सकता है। शोधकर्ताओं ने परीक्षण किया कि क्या मॉडल अभी भी काम कर सकता है यदि कुछ जोड़ों के कोण गायब हों। उन्होंने पाया कि जब उन्होंने कूल्हे, घुटने या टखने के बारे में जानकारी हटा दी, तो मॉडल की सटीकता केवल मामूली रूप से, उनके सहसंबंध स्कोर में अधिकतम 0.041 के छोटे अंतर से गिरी। यह इंगित करता है कि प्रणाली अधूरी जानकारी के अनुकूल हो सकती है, जो नैदानिक उपयोग के लिए एक महत्वपूर्ण विशेषता है जहाँ पूर्ण डेटा हमेशा उपलब्ध नहीं होता है। इसके अलावा, मॉडल ने वीडियो कैमरों और पहनने योग्य मोशन सेंसर से प्राप्त डेटा के साथ अच्छा प्रदर्शन किया, जिससे ऐसे परिणाम प्राप्त हुए जो पारंपरिक, मार्कर-आधारित प्रणालियों के समान थे।
इस अध्ययन ने इस नए दृष्टिकोण की तुलना अन्य स्थापित तरीकों से भी की। शोधकर्ताओं ने पाया कि उनका फाउंडेशन मॉडल उन तीन प्रकाशित मॉडलों से बेहतर प्रदर्शन करता है जिन्हें विशेष रूप से रोगियों के समान समूहों के लिए पुन: प्रशिक्षित किया गया था। यह सुझाव देता है कि स्वस्थ चलने के बड़े डेटासेट पर प्री-ट्रेनिंग करने और फिर लापता डेटा को भरने की तकनीक का उपयोग करने की रणनीति, प्रत्येक विशिष्ट स्थिति के लिए अलग मॉडल बनाने की तुलना में अधिक शक्तिशाली है। मॉडल कूल्हे, घुटने और टखने के साथ-साथ जमीन से ऊपर की ओर लगने वाले ऊर्ध्वाधर बल (vertical force) का अनुमान लगाने में सक्षम था, जो आयु और स्थितियों की एक विस्तृत श्रृंखला में प्रभावी रहा। हालांकि अधिक गंभीर गति संबंधी विकारों वाले रोगियों के लिए त्रुटियां थोड़ी अधिक थीं, फिर भी अनुमान उस सीमा के भीतर थे जो लैब में कई बार चलने पर देखी जाने वाली प्राकृतिक भिन्नता के तुलनीय है।
यह कार्य एक ऐसे भविष्य की ओर संकेत करता है जहाँ विस्तृत बायोमैकेनिकल विश्लेषण अब प्रयोगशालाओं तक सीमित नहीं रहेगा। यह प्रदर्शित करके कि एक एकल मॉडल विविध आबादी में लचीले इनपुट से बलों का सटीक अनुमान लगा सकता है, शोधकर्ताओं ने पोर्टेबल तकनीक का उपयोग करने के लिए एक मजबूत आधार प्रदान किया है। निष्कर्ष बताते हैं कि डॉक्टर जल्द ही जोड़ों के भार (joint loading) और गति यांत्रिकी की अंतर्दष्टि प्राप्त करने के लिए वीडियो रिकॉर्डिंग या सरल पहनने योग्य सेंसर का उपयोग कर सकेंगे, जिससे उन्नत गेट विश्लेषण (gait analysis) आउटपेशेंट क्लीनिकों और घर-आधारित पुनर्वास के लिए सुलभ हो जाएगा। हालांकि यह मॉडल अनुसंधान उद्देश्यों के लिए फोर्स प्लेट्स की सटीकता का स्थान नहीं लेता है, लेकिन यह उन सेटिंग्स के लिए एक आशाजनक विकल्प प्रदान करता है जहाँ ऐसे उपकरणों का उपयोग करना लॉजिस्टिक रूप से असंभव है, जिससे रोजमर्रा के अभ्यास में गति विकारों की निगरानी और उपचार के तरीके में बदलाव आ सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।