Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFM è un modello di fondazione che stima accuratamente la cinetica del cammino attraverso diverse coorti neurologiche e dello sviluppo utilizzando input cinematici flessibili, dimostrando un'elevata generalizzabilità e robustezza senza richiedere il riaddestramento per popolazioni o protocolli di misurazione specifici.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Camminare è un atto meccanico complesso che la maggior parte di noi compie senza pensarci, ma per i medici che trattano condizioni come la paralisi cerebrale, l'ictus o il morbo di Parkinson, comprendere le forze precise coinvolte in ogni passo è fondamentale. Per pianificare interventi chirurgici o personalizzare la riabilitazione, i clinici devono sapere non solo come si muove una persona, ma anche quanta forza le sue articolazioni assorbono e generano. Tradizionalmente, misurare queste forze interne è stato un compito difficile, riservato a laboratori specializzati. Richiede attrezzature costose, come pedane sensibili alla forza e telecamere che tracciano marcatori riflettenti applicati sul corpo, insieme a un team di esperti per elaborare i dati. Questa configurazione è così ingombrante che è raramente disponibile nelle cliniche ordinarie, nei centri comunitari o a casa, lasciando un significativo divario nel modo in cui i medici monitorano e curano i pazienti al di fuori di un contesto di ricerca.
Un team di ricercatori ha sviluppato un nuovo approccio che mira a colmare questo divario utilizzando un tipo di intelligenza artificiale chiamata modello di base (foundation model). Invece di fare affidamento sulle pedane di forza, questo sistema, denominato PathoGaitFM, può stimare le forze che agiscono sul corpo utilizzando solo gli angoli delle articolazioni durante il movimento. I ricercatori hanno addestrato questo modello su una vasta quantità di dati provenienti da adulti sani, insegnandogli la fisica fondamentale del cammino. Hanno poi testato se questo singolo modello condiviso potesse prevedere con precisione le forze per persone con diverse condizioni neurologiche, tra cui bambini con paralisi cerebrale, adulti colpiti da ictus e persone con morbo di Parkinson. L'obiettivo era vedere se un unico modello universale potesse comprendere la meccanica del cammino attraverso corpi e modelli di movimento molto diversi senza dover essere riaddestrato per ogni specifico gruppo.
I risultati dimostrano che il modello è straordinariamente efficace in questo compito. Quando testato sui dati di quattro diversi gruppi di pazienti, il sistema è riuscito a ricostruire i pattern di forza del cammino con un alto grado di precisione, eguagliando le misurazioni di riferimento con un punteggio di correlazione di 0,811. Questa prestazione è stata leggermente superiore ad altri metodi esistenti che erano stati addestrati specificamente per ciascun gruppo individuale. Ancora più importante, il modello ha dimostrato una forte capacità di generalizzazione. Quando i ricercatori hanno applicato lo stesso modello a cinque dataset completamente nuovi provenienti da diversi laboratori e popolazioni — senza apportare alcuna modifica o riaddestramento — l'accuratezza è rimasta elevata, con un punteggio di correlazione di 0,898. Ciò suggerisce che il modello ha appreso una comprensione profonda e condivisa di come funziona la meccanica del cammino, piuttosto che aver semplicemente memorizzato i dettagli specifici delle persone su cui è stato addestrato.
Un altro risultato chiave riguarda la flessibilità del modello rispetto ai dati che riceve. Negli scenari reali, i sensori potrebbero guastarsi o un paziente potrebbe non essere in grado di indossare marcatori su ogni articolazione. I ricercatori hanno testato se il modello potesse comunque funzionare se alcune informazioni sugli angoli articolari fossero mancanti. Hanno scoperto che anche quando rimuovevano le informazioni su anche, ginocchia o caviglie, l'accuratezza del modello diminuiva solo leggermente, con uno scarto massimo di 0,041 nel punteggio di correlazione. Ciò indica che il sistema può adattarsi a informazioni incomplete, una caratteristica vitale per l'uso clinico dove i dati perfetti non sono sempre disponibili. Inoltre, il modello ha funzionato bene quando alimentato con dati provenienti da videocamere e sensori di movimento indossabili, ottenendo risultati paragonabili a quelli ottenuti dai tradizionali sistemi basati su marcatori.
Lo studio ha anche confrontato questo nuovo approccio con altri metodi consolidati. I ricercatori hanno scoperto che il loro modello di base superava altri tre modelli pubblicati che erano stati riaddestrati specificamente per gli stessi gruppi di pazienti. Ciò suggerisce che la strategia di pre-addestramento su un ampio dataset di cammino sano e l'uso di una tecnica per colmare i dati mancanti sia più potente rispetto alla creazione di modelli separati per ogni specifica condizione. Il modello è stato in grado di stimare le forze per l'anca, il ginocchio e la caviglia, nonché la forza verticale che spinge dal terreno, attraverso una vasta gamma di età e condizioni. Sebbene gli errori fossero leggermente maggiori per i pazienti con impedimenti motori più gravi, le stime erano comunque entro un intervallo paragonabile alla variazione naturale osservata quando una persona cammina più volte in un laboratorio.
Questo lavoro punta verso un futuro in cui l'analisi biomeccanica dettagliata non sarà più confinata al laboratorio. Dimostrando che un singolo modello può stimare accuratamente le forze da input flessibili attraverso popolazioni diverse, i ricercatori hanno fornito una solida base per l'uso di tecnologie portatili nell'assistenza di routine. I risultati suggeriscono che i medici potrebbero presto utilizzare registrazioni video o semplici sensori indossabili per ottenere informazioni sul carico articolare e sulla meccanica del movimento, rendendo l'analisi avanzata del cammino accessibile per le cliniche ambulatoriali e la riabilitazione domiciliare. Sebbene il modello non sostituisca la precisione delle pedane di forza per scopi di ricerca, offre un'alternativa promettente per contesti in cui tali attrezzature sono logisticamente impossibili da utilizzare, potenzialmente trasformando il modo in cui i disturbi del movimento vengono monitorati e trattati nella pratica quotidiana.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.