Multimodal mean and variability gait features for machine- learning discrimination between healthy middle-aged and older adults and participants with knee osteoarthritis, with exploratory Kellgren-Lawrence grading: a retrospective internal evaluation
본 회고적 연구는 시공간, 발바닥 압력, 그리고 관절 가동 범위 영역으로부터 평균 및 변동성 보행 특징을 결합한 다중 모달 기계 학습 융합 모델이 건강한 성인과 무릎 골관절염 환자를 구별하는 데 높은 정확도를 달 달성하였으나, 탐색적 켈그렌-로렌스 중증도 등급 판정에서의 성능은 검증 세트와 내부 테스트 세트 간에 일관되지 않았음을 보여준다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
걷기는 우리가 그 리듬이 무너지기 전까지는 거의 생각하지 않는 리듬입니다. 관절의 완충 작용을 하는 연골이 마모되는 질환인 무릎 골관절염 환자들에게는 그 리듬이 변합니다. 그들은 더 느리게 걷거나, 보폭을 짧게 하거나, 통증을 피하기 위해 무게 중심을 다르게 옮길 수도 있습니다. 과학자들은 오랫동안 사람의 보행 방식이 건강에 대한 단서를 제공한다는 것을 알고 있었지만, 정확히 어떤 단서가 가장 중요한지에 대해서는 의견을 모으는 데 어려움을 겪어왔습니다. 그것은 사람이 움직이는 평균적인 방식일까요, 아니면 한 걸음 한 걸음 사이의 미세하고 순간적인 흔들림일까요? 발 밑의 압력이 무릎의 각도와는 다른 이야기를 들려주는 것일까요? 이러한 세부 사항을 이해하는 것은 매우 중요한데, 왜냐하면 이는 의사들이 X선에만 의존하지 않고도(X선은 뼈의 구조는 보여주지만 사람이 실제로 어떻게 움직이는지는 보여주지 못함) 질병을 더 일찍 발견하거나 그 진행 과정을 추적하는 데 도움을 줄 수 있기 때문입니다.
중국의 한 연구팀은 약 340명에 달하는 사람들의 발소리에 귀를 기울임으로써 이 질문들을 풀어내고자 했습니다. 그들은 중년층부터 노년층까지 포함하는 건강한 성인 그룹과, 확진된 무릎 골관절절염 환자 그룹을 구성했습니다. 그들은 발 밑의 압력을 측정하는 특수 보행로와 관절의 움직임을 추적하는 카메라 시스템을 사용하여 각자가 어떻게 걷는지를 기록했습니다. 연구진은 단순히 평균 속도나 무릎의 평균 각도만을 본 것이 아니라, 그 수치들이 한 걸음에서 다음 걸음으로 넘어갈 때 얼마나 변하는지도 측정했습니다. 그들은 이 두 가지 유형의 정보, 즉 꾸준한 평균값과 요동치는 가변성을 별개의 데이터 스트림으로 취급하여, 이 둘을 결합하는 것이 누가 질병을 가지고 있고 누가 그렇지 않은지를 보여주는 더 명확한 그림을 만들어낼 수 있을지 확인하고자 했습니다.
연구는 두 가지 뚜렷한 목표에 집중했습니다. 첫째, 컴퓨터 프로그램이 건강한 보행자와 무릎 통증이 있는 보행자를 구별할 수 있는지 확인하는 것이었습니다. 둘째, 동일한 보행 데이터를 통해 의사들이 X선에서 보이는 손상 정도를 기준으로 환자들을 서로 다른 심각도 단계로 분류할 수 있는지 시도했습니다. 이를 위해 연구진은 발이 지면에 닿는 방식, 관절이 움직이는 방식, 그리고 걸음의 타이밍이라는 세 가지 주요 영역의 데이터를 컴퓨터에 입력했습니다. 그들은 가장 잘 작동하는 방식을 찾기 위해 다양한 수학적 접근법을 테스트했으며, 컴퓨터가 한 그룹의 사람들을 통해 학습하고 전혀 본 적 없는 다른 그룹의 사람들을 통해 테스트하도록 데이터를 신중하게 분리했습니다.
첫 번째 목표에 대한 결과는 놀라웠습니다. 컴퓨터에게 단순히 건강한 사람과 무릎 골관절염 환자를 구별하라고 요청했을 때, 모델은 매우 정확해졌습니다. 평균적인 보행 패턴과 그 패턴의 변화를 결합함으로써, 모델은 거의 모든 경우에 그룹을 정확히 식별해 냈습니다. 가장 중요한 단서들은 여러 출처의 조합에서 나왔는데, 발이 무게를 전달하는 일관성, 무릎이 움직이는 정도, 그리고 발목이 얼마나 안정적인지가 그 예였습니다. 이는 이 질환이 사람이 걷는 전체적인 전략과 그 전략의 안정성 모두를 변화시킨다는 것을 시사합니다. 컴퓨터는 단 하나의 측정치에 의존할 필요가 없었습니다. 그 힘은 걷기의 전체 이야기를 경청하는 데서 나왔습니다.
하지만 두 번째 목표는 훨씬 더 어려웠습니다. 연구진이 컴퓨터에게 (의료진이 사용하는 표준 척도에 따라) 질병의 심각도를 등급화하도록, 즉 경증, 중등도, 중증 사례를 구분하도록 요청했을 때 결과는 일관되지 않았습니다. 질병을 찾아내는 데 잘 작동했던 모델이 환자들의 심각도를 분류하는 데는 실패했습니다. 테스트 단계에서 컴퓨터는 종종 서로 다른 심각도 단계를 혼동했으며, 어떤 경우에는 무작위 추측보다 나은 성과를 내지 못하기도 했습니다. 이 발견은 유의미한데, 이는 보행 패턴이 무언가 잘못되었다는 점은 명확히 보여주지만, 그것이 반드시 X선에서 보이는 구체적인 손상 정도와 직접적으로 일치하는 것은 아님을 시사하기 때문입니다. 두 사람은 동일한 수준의 관절 손상을 가지고 있더라도, 한 명은 통증을 관리하기 위해 움직임을 조절하고 다른 한 명은 그렇지 않은 것처럼 서로 매우 다르게 걸을 수 있습니다.
연구진은 보행 분석이 무릎 골관절염의 존재를 감지하는 강력한 도구이긴 하지만, 아직 그 심각도를 등급화하는 신뢰할 만한 도구는 아니라고 결론지었습니다. 이 연구는 우리가 걷는 방식이 습관, 통증 반응, 그리고 신체적 제한이 복잡하게 뒤섞인 결과물이며, 이것이 관절의 구조적 손상과 항상 완벽하게 일치하는 것은 아니라는 점을 강조합니다. 현재로서는 이 기술의 가장 적절한 용도는 X선을 걸음 수 측정기로 대체하려는 것이 아니라, 누가 추가적인 의료적 처치가 필요한지를 식별하는 데 있는 것으로 보입니다. 이 연구는 이러한 보행 특징이 시간이 지남에 따라 개인의 상태가 어떻게 변하는지를 추적할 수 있는지에 대한 향후 연구의 문을 열어주지만, 동시에 인간의 몸은 단 하나의 단순한 점수로 환원될 수 없을 만큼 복잡하다는 사실을 상기시켜 줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.