Topological descriptors of foot clearance gait dynamics improve differential diagnosis of Parkinsonism

Deze studie toont aan dat het combineren van topologische data-analyse met machine learning, specifiek door het gebruik van Betti-curve-descriptoren van voetvrijheid, de differentiaaldiagnose tussen idiopathische Parkinson en vasculaire Parkinson significant kan verbeteren.

De kern

Stel je voor dat je lichaam een heel complex orkest is. Bij een gezond persoon spelen alle instrumenten (je spieren, gewrichten en zenuwen) perfect op elkaar in, waardoor je een soepele, ritmische wandeling hebt. Maar bij mensen met Parkinson is dit orkest soms uit het lood geslagen. Het probleem is dat er twee soorten "orkestleiders" zijn die het orkest op een heel vergelijkbare manier verstoren: Idiopathische Parkinson (IPD) en Vasculaire Parkinson (VaP).

Voor artsen is het heel lastig om deze twee te onderscheiden, omdat ze veel dezelfde symptomen hebben. Het is alsof je probeert te raden of een liedje vals wordt gezongen door een zanger met een verkoudheid (IPD) of door een zanger met een beschadigd strottenhoofd (VaP). De klank is bijna hetzelfde, maar de behandeling moet heel verschillend zijn.

Deze studie probeert een nieuwe, slimme manier te vinden om dit onderscheid te maken, zonder dat de artsen alleen naar hun ogen hoeven te kijken.

De nieuwe aanpak: De "Wolken van Voetbewegingen"

In plaats van alleen te kijken naar hoe snel iemand loopt of hoe lang hun passen zijn (wat traditionele methoden doen), kijken deze onderzoekers naar iets heel specifieks: hoe hoog de tenen en hielen van de grond komen tijdens het lopen. Dit heet "voetclearance".

Stel je voor dat je de beweging van een voet niet ziet als een rechte lijn, maar als een dansende wolk van punten in de ruimte.

1. De Wolk (De Data): Elke stap die iemand zet, wordt omgezet in een wolkje van punten.
2. De Topologie (De Vorm): De onderzoekers gebruiken een wiskundig gereedschap genaamd Topologische Data Analyse (TDA). Je kunt dit zien als een soort "X-ray bril" die niet kijkt naar de kleur of de snelheid van de wolk, maar naar de vorm ervan.
   • Heeft de wolk een gat in het midden?
   • Is het een gesloten ring?
   • Is het een losse klont?
   • Hoe verandert deze vorm als je de wolk langzaam uitrekt?

Deze vormveranderingen vertellen een verhaal over hoe het lichaam beweegt. Het is alsof je niet naar de noten luistert, maar naar de structuur van de muziek.

De "Medicijn-Test"

Een heel belangrijk onderdeel van dit onderzoek is het kijken naar wat er gebeurt als de patiënt medicijnen (Levodopa) heeft ingenomen.

• De "Off"-toestand: De patiënt heeft geen medicijnen. Hier lijken de twee soorten Parkinson vaak op elkaar. Het is alsof beide zangers even slecht zingen.
• De "On"-toestand: De patiënt heeft medicijnen. Hier gebeurt het wonder.
  • Bij de ene groep (IPD) wordt het orkest plotseling weer fantastisch; de vorm van de "wolk" verandert drastisch en wordt heel soepel.
  • Bij de andere groep (VaP) reageert het orkest minder goed; de vorm blijft wat stijf of verandert op een andere manier.

De onderzoekers ontdekten dat hun wiskundige "vorm-bril" (de TDA) dit verschil heel goed kan zien, vooral als ze kijken naar de Betti-curven. Dit is een ingewikkeld woord voor een simpele grafiek die laat zien hoe vaak er "gaten" of "ringen" in de beweging verschijnen en verdwijnen.

Wat vonden ze?

• Het werkt: Met deze methode konden ze de twee soorten Parkinson van elkaar onderscheiden met een nauwkeurigheid van 83%. Dat is veel beter dan veel traditionele methoden.
• De medicijnen helpen: De methode werkt het beste als je kijkt naar hoe de patiënt reageert op medicijnen. Het verschil in "vorm" tussen de twee groepen wordt duidelijker als de medicijnen werken.
• De beste voeten: Het bleek dat het kijken naar de minimale hoogte van de tenen (hoe laag de voet net boven de grond komt) en de maximale hoogte van de tenen op het einde van de zwaai de beste signalen gaf.

Waarom is dit belangrijk?

Stel je voor dat je een detective bent die een moord moet oplossen. Tot nu toe keek je alleen naar de voetafdrukken (de snelheid en lengte van de passen). Maar nu heb je een nieuwe techniek die je laat zien hoe de dynamiek van de voet eruitziet, alsof je de trillingen van de grond ziet.

Dit betekent dat artsen in de toekomst misschien een simpele wandeltest kunnen doen, de data in de computer stoppen, en de computer kan zeggen: "Dit is waarschijnlijk Idiopathische Parkinson" of "Dit is Vaskulaire Parkinson". Dat helpt om de juiste medicatie te kiezen en de ziekte beter te behandelen.

Kortom: Door te kijken naar de "wiskundige vorm" van hoe mensen hun voeten optillen, en hoe die vorm verandert als ze medicijnen nemen, kunnen artsen twee heel lastige ziektes veel beter van elkaar onderscheiden. Het is een nieuwe manier om naar het oude probleem van het lopen te kijken.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Topological descriptors of foot clearance gait dynamics improve differential diagnosis of Parkinsonism", vertaald en samengevat in het Nederlands.

Titel: Topologische beschrijvers van loopdynamiek bij voetvrijheid verbeteren de differentiaaldiagnose van parkinsonisme

1. Het Probleem

De differentiaaldiagnose tussen idiopathisch de ziekte van Parkinson (IPD) en vasculair parkinsonisme (VaP) blijft een grote klinische uitdaging. Beide aandoeningen vertonen overlappende motorische symptomen en subtiele loopafwijkingen, wat het moeilijk maakt om ze van elkaar te onderscheiden. Dit onderscheid is echter cruciaal voor de behandelingsplanning en prognose.
Conventionele methoden voor loopanalyse (gait analysis) focussen vaak op lineaire statistieken en missen verborgen niet-lineaire en structurele kenmerken die in de patronen van "voetvrijheid" (foot clearance) zijn verankerd. Bovendien is de invloed van medicatie (levodopa) op de variabiliteit van de loop niet eenduidig; sommige studies tonen verbeteringen, terwijl andere geen significant effect vinden op bepaalde parameters. Er is behoefte aan geavanceerde analysetechnieken die in staat zijn om deze complexe, niet-lineaire dynamiek te karakteriseren.

2. Methodologie

De auteurs hebben een geïntegreerd raamwerk ontwikkeld dat Topological Data Analysis (TDA), specifiek persistent homologie, combineert met machine learning (Random Forest) om loopdata te analyseren.

• Dataset:

  • 15 gezonde controles (CO).
  • 15 patiënten met idiopathisch de ziekte van Parkinson (IPD).
  • 14 patiënten met vasculair parkinsonisme (VaP).
  • Data is verzameld met Physilog® sensoren op de schoenen tijdens het lopen van een 60-meter traject.
  • Metingen zijn gedaan in twee toestanden: Off (24 uur zonder levodopa) en On (na een supra-drempel dosis levodopa).

• Variabelen:
  De studie focust op specifieke variabelen voor voetvrijheid, vaak onderbelicht in de literatuur:

  • Lift-off hoek (Afschep-hoek).
  • Maximale hielvrijheid (MaxHC).
  • Maximale teenvrijheid in vroege zwaai (MaxTESW).
  • Minimale teenvrijheid (MinTC).
  • Maximale teenvrijheid in late zwaai (MaxTLSW).
  • Aanslag-hoek (Strike Angle).

• TDA Pipeline:

  1. Fase-ruimte reconstructie: De tijdreeksdata wordt omgezet in een puntewolk via time-delay embedding (Takens' embedding) met een dimensie $d=2$.
  2. Persistent Homology: Er wordt een Vietoris-Rips filtratie toegepast op de puntewolken om de geboorte en dood van topologische kenmerken (verbonden componenten $H_0$ en lussen $H_1$) over verschillende schalen te volgen.
  3. Topologische Beschrijvers: Uit de persistentie-diagrammen worden drie beschrijvers afgeleid:
     • Betti Curves (BC): Beschrijven het aantal topologische kenmerken als functie van de filtratieparameter.
     • Persistence Landscapes (PL): Transformeren de diagrammen naar functies in een Hilbert-ruimte.
     • Silhouette Landscapes (SL): Een gewogen gemiddelde van de driehoekige functies gebaseerd op persistentie.
  4. Classificatie: De verkregen topologische vectoren worden gebruikt als input voor een Random Forest-classificator.
  5. Validatie: Het model wordt geëvalueerd met Leave-One-Out Cross-Validation (LOOCV) per subject.

3. Belangrijkste Resultaten

• Prestatie van Topologische Beschrijvers:

  • Betti Curves (BC) presteerden consistent het beste in alle taken, gevolgd door Persistence Landscapes (PL), terwijl Silhouette Landscapes (SL) de slechtste resultaten leverden.
  • Bij het onderscheiden van controles (CO) van parkinsonpatiënten (IPD en VaP) bereikte BC bijna perfecte discriminatie (AUC 0.99–1.00) voor de meeste variabelen.
  • Dit suggereert dat BC robuuster is voor datasets met lagere tijdsresolutie of meer ruis, zoals de loopcycli in deze studie.

• Differentiatie tussen IPD en VaP:

  • In de Off-toestand (zonder medicatie) waren de prestaties beperkt (AUC < 0.72), wat aangeeft dat de topologische verschillen tussen de subtypes zonder medicatie minder uitgesproken zijn.
  • In de On-toestand (met medicatie) verbeterde de prestatie aanzienlijk. De beste enkelvoudige variabelen waren MinTC en MaxTLSW.
  • MinTC + MaxTLSW in de On-toestand bereikte een nauwkeurigheid van 72-79% en een AUC van 0.81-0.83.
  • Combinatie van toestanden (Off + On): Het combineren van data uit beide toestanden leverde de beste resultaten op. Voor de combinatie MinTC + MaxTLSW werd een nauwkeurigheid van 83% en een AUC van 0.89 bereikt.
  • Multivariate combinaties (bijv. 3 of 4 variabelen) verbeterden de prestaties verder, waarbij de combinatie van MinTC, MaxTLSW en MaxHC een AUC van 0.89 behaalde.

• Invloed van Medicatie:
  De resultaten tonen aan dat levodopa de niet-lineaire structuur en variabiliteit van de loop verandert op een manier die door topologische beschrijvers goed wordt vastgelegd. De differentiatie tussen IPD en VaP wordt duidelijker nadat medicatie is toegediend, wat wijst op een asymmetrische respons tussen de twee subtypes.

4. Bijdragen en Significance

• Nieuwe Benadering voor Differentiaaldiagnose: Dit is de eerste studie die TDA toepast op voetvrijheids-tijdreeksen voor het onderscheiden van IPD en VaP. Het biedt een complementair hulpmiddel voor de klinische praktijk waar fenotypische overlap bestaat.
• Superioriteit van Betti Curves: De studie demonstreert dat Betti Curves robuuster zijn dan PL en SL voor dit type data, waarschijnlijk omdat ze de globale topologische structuur beter behouden zonder gevoelig te zijn voor lokale ruis in kortere tijdreeksen.
• Klinische Relevantie van Voetvrijheid: Het bevestigt dat variabelen zoals MinTC en MaxTLSW cruciale biomarkers zijn voor het onderscheiden van parkinsonisme, vooral in combinatie met medicatie-effecten.
• Interpreteerbaarheid: In tegenstelling tot complexe "black-box" modellen (zoals diepe neurale netwerken), biedt de TDA-benadering inzicht in de onderliggende structurele dynamiek van de loop, zonder strikte aannames over de data-distributie of antropometrische correcties.
• Toekomstperspectief: De methode biedt een veelbelovende weg voor de ontwikkeling van klinische ondersteuningssystemen voor de analyse en follow-up van patiënten met parkinsonisme, met name voor het monitoren van therapeutische respons.

Conclusie:
Door topologische data-analyse te integreren met machine learning, kunnen verborgen, niet-lineaire patronen in loopdynamiek worden onthuld die traditionele methoden missen. Dit leidt tot een significante verbetering in het vermogen om idiopathisch van vasculair parkinsonisme te onderscheiden, met name wanneer data uit zowel medicatie-geïnduceerde als niet-geïnduceerde toestanden worden gecombineerd.