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

Sintesi Tecnica: Un Indice Funzionale Basato sulla Forma per la Valutazione Obiettiva della Funzione Motoria Pediatrica

Enunciazione del Problema
Le valutazioni cliniche per i disturbi neuromuscolari, in particolare la Distrofia Muscolare di Duchenne (DMD) e l'Atrofia Muscolare Spinale (SMA), attualmente si basano pesantemente su misure soggettive e osservazionali (ad esempio, Scala Brooke degli arti superiori, CHOP-Intend) per monitorare la progressione della malattia e la risposta al trattamento. Questi metodi sono soggetti a bias clinici, mancano di precisione nel catturare cambiamenti sottili e sono limitati a visite cliniche sporadiche. Inoltre, i dati sul movimento pediatrico presentano sfide analitiche uniche a causa di fattori confondenti come le variazioni nella lunghezza degli arti nei bambini in crescita, la variabilità nella velocità del movimento e diverse capacità di sviluppo. I classificatori esistenti di medicina digitale spesso si basano su caratteristiche "scatola nera" che mancano di interpretabilità per i clinici. Gli autori mirano a sviluppare un metodo oggettivo e guidato dai dati, utilizzando sensori indossabili, per valutare la funzione motoria in ambito domestico, capace di gestire il disallineamento temporale e fornire pattern cinematici interpretabili.

Metodologia
Lo studio propone una pipeline che combina dati da sensori indossabili con l'Analisi delle Componenti Principali Basata sulla Forma (Shape PCA) e la regressione dei Minimi Quadrati Parziali (PLS).

1. Raccolta Dati:

   • Partecipanti: 31 partecipanti (15 DMD, 7 SMA, 9 controlli sani) reclutati presso la Clinica Neuromuscolare Pediatrica dell'Università della Virginia.
   • Sensori: Sensori MetaMotionR+ (accelerometro e giroscopio a 200 Hz) indossati sulle mani dominante e non dominante.
   • Compiti: Attività della Vita Quotidiana (ADL) tra cui curl delle braccia, rotazione della maniglia della porta, sollevamento di una tazza, bussare alla porta e movimento di una pagaia.
   • Misure Cliniche: Punteggi Brooke, misure ecografiche (Area della Sezione Trasversa, Ecogenicità Media) e misure del dinamometro (Coppia del Gomito Normalizzata).

2. Registrazione delle Curve e Separazione Fase-Ampiezza:

   • Gli autori utilizzano le Funzioni Velocità Radice Quadrata (SRVF) per eseguire l'allineamento temporale delle traiettorie di movimento. Questo approccio separa la "fase" (tempistica/velocità) dall'"ampiezza" (forma) del movimento.
   • Utilizzando un approccio elastico e l'Algoritmo di Programmazione Dinamica (DPA), le curve individuali vengono allineate a una forma media, rimuovendo l'influenza delle variazioni nella velocità del movimento. Ciò consente il confronto di segnali biomeccanici indipendentemente dalla velocità con cui vengono eseguite le attività.

3. Analisi delle Componenti Principali Basata sulla Forma (Shape PCA):

   • Dopo l'allineamento, gli autori eseguono la PCA nello spazio SRVF (Spazio delle Forme) per identificare i modi principali di variazione (Componenti Principali Verticali o VPC).
   • Questo passo isola pattern cinematici interpretabili, come la scalatura (velocità) e l'asimmetria, distinti dal rumore o dalle differenze temporali.

4. Modellistica Statistica:

   • Bootstrapping: Per valutare la variabilità, sono state generate 10.000 repliche bootstrap per valutare la stabilità delle relazioni tra le caratteristiche dei dispositivi indossabili e gli esiti clinici.
   • Minimi Quadrati Parziali (PLS): È stata impiegata la PLS per combinare le proiezioni sulle componenti principali (VPC) e identificare un modo di covariazione che correla con le misure cliniche (infiltrazione di grasso muscolare, punteggi Brooke, degenerazione legata all'età).
   • Modelli Lineari Misti: Utilizzati per analizzare le tendenze trasversali relative all'età e alle interazioni di coorte.

Risultati Chiave

• Pattern Cinematici: La Shape PCA ha identificato modi distinti di variazione:
  • VPC1 (Velocità): Riflette principalmente i cambiamenti nella velocità angolare (scalatura). Ha spiegato il 53,87% della varianza nei dati dei curl delle braccia.
  • VPC2 (Asimmetria): Cattura l'asimmetria nel movimento (ad esempio, differenze tra le fasi di salita e discesa). Ha spiegato il 25,5% della varianza.
  • VPC3: Rappresentava rumore del sensore o di segmentazione.
• Differenze di Coorte:
  • Sia le coorti DMD che SMA hanno mostrato una maggiore Ecogenicità Media (indicante infiltrazione di grasso) e una minore Coppia del Gomito Normalizzata rispetto ai controlli sani.
  • Specificità SMA: I pazienti con SMA hanno mostrato un'attivazione significativamente maggiore del pattern di asimmetria del movimento (VPC2 Curl) rispetto a DMD e controlli sani, suggerendo che la SMA può compromettere il controllo del movimento sottile in modo diverso rispetto alla DMD.
  • Entrambi i gruppi di pazienti hanno mostrato una ridotta velocità nei movimenti di bussare rispetto ai controlli sani.
• Costruzione dell'Indice Funzionale:
  • L'analisi PLS ha identificato una dimensione canonica primaria che combina caratteristiche di velocità e asimmetria: $0,76 \times \text{velocità}_{\text{curl}} - 0,59 \times \text{velocità}_{\text{bussare}} + 0,17 \times \text{asimmetria}_{\text{curl}} + 0,18 \times \text{asimmetria}_{\text{bussare}}$.
  • Questa dimensione ha raggiunto una correlazione canonica di $r = 0,78$ (IC 95%: [0,34, 0,94]) con l'infiltrazione di grasso muscolare, i punteggi Brooke e i cambiamenti degenerativi legati all'età.
  • Il metodo Shape PCA proposto ha superato la Functional PCA (senza allineamento) e la Fattorizzazione della Matrice Non Negativa (NMF) in termini di correlazione canonica mediana e stabilità dell'intervallo di confidenza.
• Tendenze Longitudinali: La modellazione a effetti misti ha rivelato un significativo declino legato all'età nella velocità del movimento (coefficienti di pendenza positivi) sia per le coorti DMD ($\beta = 1,337$) che SMA ($\beta = 2,530$), mentre i controlli sani non hanno mostrato una perdita temporale significativa della funzione.

Significato e Affermazioni
Il documento afferma di introdurre un nuovo indice di funzione motoria interpretabile, derivato da dati di sensori indossabili, che affronta le limitazioni delle attuali valutazioni soggettive. Le affermazioni chiave includono:

• Oggettività e Interpretabilità: A differenza dei classificatori "scatola nera", l'approccio Shape PCA produce risultati trasparenti e intuitivi (ad esempio, pattern specifici di asimmetria) che i clinici possono comprendere e fidarsi.
• Robustezza ai Fattori Confondenti: Il metodo di separazione fase-ampiezza gestisce efficacemente le complessità dei dati pediatrici, come le variazioni nella lunghezza degli arti e le velocità di movimento incoerenti, consentendo un confronto accurato delle traiettorie.
• Potenziale di Monitoraggio Domestico: Il metodo è progettato per essere implementato in ambito domestico, consentendo un monitoraggio continuo e longitudinale dell'efficacia del trattamento e della progressione della malattia senza l'onere di frequenti visite cliniche.
• Rilevanza Clinica: L'indice derivato correla fortemente con metriche cliniche consolidate (infiltrazione di grasso muscolare, forza, punteggi funzionali), suggerendo che possa servire come biomarcatore sensibile per valutare gli interventi terapeutici nelle malattie neuromuscolari rare.

Gli autori concludono che questo approccio guidato dai dati offre una via pratica per migliorare il monitoraggio dei pazienti e il processo decisionale clinico, in particolare per le malattie rare dove il reclutamento di grandi coorti per trial tradizionali è difficile.