Predictive Analytics for Foot Ulcers Using Time-Series Temperature and Pressure Data

Dit artikel presenteert een voorspellend analyseresframework voor diabetische voetzweren dat tijdreeksdata van temperatuur- en druksensoren combineert met onbewaakte machinelearning-algoritmen, zoals Isolation Forest en KNN, om vroegtijdige risicosignalen te detecteren en zo tijdige interventies mogelijk te maken.

De kern

🦶 De "Vroege Waarschuwingsbrieven" voor Diabetische Voeten

Stel je voor dat je voeten een stille alarmstelsel hebben. Voor mensen met diabetes is dit echter vaak stil, omdat ze door zenuwschade geen pijn meer voelen als er iets mis is. Een kleine wondje kan dan ongemerkt uitgroeien tot een ernstig zwerende wonde (een ulcus), wat soms zelfs tot amputatie leidt.

Dit onderzoek probeert die alarmbellen te laten rinkelen voordat het te laat is.

🛠️ Het Experiment: Een Loopband met Sensoren

De onderzoekers (van de Middlesex University in Londen) hebben een slimme "loopbaan" gebouwd. Mensen liepen hierover met speciale sokken of inlegzolen die vol zaten met kleine sensoren:

1. Temperatuursensoren: Ze voelen hoe warm of koud je voet is.
2. Druksensoren: Ze meten waar je voet het hardst op de grond drukt.

Het idee is simpel: Als een plek in je voet te veel druk krijgt of te heet wordt, is dat een teken dat het weefsel daar aan het "klagen" is.

🕵️‍♂️ De Detectives: Twee Slimme Computers

De onderzoekers hebben twee soorten computerprogramma's (algoritmen) getest om deze signalen te vinden. Ze noemen ze Isolation Forest en KNN. Je kunt ze zien als twee verschillende soorten detectives:

1. De "Micro-Scout" (Isolation Forest):

   • Hoe werkt het? Deze detective is extreem gevoelig voor kleine, rare dingen. Hij kijkt naar de hele groep en vraagt zich af: "Is dit puntje net iets anders dan de rest?"
   • Zijn kracht: Hij ziet heel subtiele veranderingen, zoals een lichte temperatuurstijging of een klein drukverschil. Dit is perfect om vroegtijdig te waarschuwen, nog voordat er een echte wond is.
   • Analogie: Het is alsof hij hoort dat een wiel van je auto net iets harder piept dan normaal, lang voordat het wiel eraf valt.

2. De "Grote Alarmist" (KNN):

   • Hoe werkt het? Deze detective kijkt naar hoe dicht een puntje bij zijn buren staat. Als iets heel ver weg staat van de normaal, schreeuwt hij "Alarm!".
   • Zijn kracht: Hij is heel goed in het vinden van extreme situaties, zoals een plotseling enorme hittepiek.
   • Zijn zwakte: Hij schreeuwt soms te vaak "Alarm!" voor dingen die niet zo erg zijn (veel "valse alarmen").
   • Analogie: Hij schreeuwt "Brand!" als je even een kaars aansteekt, terwijl de "Micro-Scout" pas schreeuwt als de rook begint te ruiken.

🔗 De Kracht van Samenwerking

Het onderzoek toonde aan dat temperatuur en druk vaak samenwerken.

• Vergelijking: Stel je voor dat je op een stukje tapijt loopt. Als je daar te lang op staat (te veel druk), wordt het tapijt warm (temperatuur).
• De data liet zien: waar de druk het hoogst was, was de temperatuur vaak ook iets hoger. Door beide sensoren te combineren, krijg je een veel scherper beeld dan met alleen één sensor.

📉 Wat Vonden Ze?

• De Micro-Scout (Isolation Forest) was de beste keuze voor continue bewaking. Hij zag de subtiele veranderingen die wijzen op een risico, zonder te veel valse alarmen te geven.
• De Grote Alarmist (KNN) was goed voor extreme situaties, maar zou in een echt ziekenhuis misschien te veel mensen laten piepen voor niets.
• Er waren interessante patronen: In de winter (januari) zagen ze soms extreme temperatuurschommelingen, wat kan wijzen op slechte doorbloeding door de kou.

⚠️ De "Maar..." (Beperkingen)

Er is nog een kleine hapering in het verhaal:

• De sensoren werden getest op gezonde mensen in een laboratorium.
• Vergelijking: Het is alsof je een auto test op een lege racebaan, maar nog niet in de drukke stad met regen en glibberig asfalt.
• In de echte wereld hebben mensen met diabetes andere voeten, dragen ze andere schoenen en lopen ze op verschillende ondergronden. De computer moet nog leren om rekening te houden met die "ruis".

🚀 Wat is de Toekomst?

Het doel is om in de toekomst slimme inlegzolen te maken die via een app direct een melding sturen naar de patiënt of de arts: "Let op, je linkervoet is vandaag iets warmer en drukker dan normaal. Loop even minder, of controleer je voet."

Dit zou kunnen voorkomen dat kleine wondjes uitgroeien tot grote problemen, en zou levens en ledematen kunnen redden. Het is een stap in de richting van een voet die voor zichzelf kan spreken, voordat het te laat is.

Technische samenvatting

Technische Samenvatting: Voorspellende Analyse voor Diabetische Voetulcera

Probleemstelling
Diabetische voetulcera (DFU's) zijn een ernstige complicatie van diabetes die vaak leidt tot amputaties, verhoogde sterfte en aanzienlijke gezondheidskosten (in het VK bijvoorbeeld naar schatting £837-£962 miljoen per jaar). Traditionele monitoring is beperkt tot sporadische klinische evaluaties en subjectieve patiëntrapporten, wat leidt tot een gebrek aan tijdige detectie. Een cruciaal aspect dat vaak wordt verwaarloosd, is de combinatie van plantaire schuifkrachten en temperatuursveranderingen. Er is een dringende behoefte aan proactieve, continue monitoringssystemen die anomalieën kunnen detecteren voordat klinische symptomen optreden, zonder afhankelijk te zijn van grote, gelabelde datasets van reeds bestaande ulcera.

Methodologie
De auteurs hebben een voorspellend analyseraamwerk ontwikkeld dat gebruikmaakt van onbewaakte machine learning (unsupervised learning) op tijdreeksdata.

• Dataverzameling: Data werd verzameld van gezonde proefpersonen die liepen op een instrumenteerde loopbaan. De opstelling bestond uit 10.000 NTC-dunne-film thermokoppels (voor temperatuur) en FlexiForce A401 druk sensoren (voor plantaire belasting).
• Preprocessing:
  • Ontbrekende data werd behandeld met Complete Case Analysis, Forward-Filling en Zero-Filling.
  • Outliers werden geïdentificeerd en verwijderd met de Interquartile Range (IQR) methode (boven de 85e percentiel voor sensitiviteit).
  • Activiteitsvensters werden gedefinieerd op basis van een drukdrempel (95e percentiel) om alleen data tijdens voet-grondcontact te analyseren.
• Feature Engineering: Er werden specifieke kenmerken afgeleid, waaronder maximale druk, gemiddelde druk, aantal stappen, stapduur en het oppervlak onder de curve (AUC). Voor temperatuur werden maximale/minimale waarden en veranderingssnelheden gebruikt.
• Algoritmen: Twee onbewaakte algoritmen werden toegepast voor anomaliedetectie:
  1. Isolation Forest: Een ensemble-methode die anomalieën detecteert door recursieve data-splitsing. Het is ontworpen om zeldzame gebeurtenissen te isoleren.
  2. K-Nearest Neighbors (KNN) / Local Outlier Factor (LOF): Een op afstand en dichtheid gebaseerde methode die afwijkingen detecteert door de afstand tot de naaste buren te berekenen.
• Configuratie: Beide modellen werden geoptimaliseerd met een 'contamination rate' van 0,05. KNN werd ingesteld met $k=20$ buren.

Belangrijkste Bijdragen

1. Multi-modale Aanpak: Het paper benadrukt de noodzaak van gecombineerde monitoring van temperatuur en druk, aangezien deze factoren gecorreleerd zijn en samen een completer beeld geven van het risico op weefselschade.
2. Vergelijking van Onbewaarde Modellen: Het biedt een gedetailleerde vergelijking tussen Isolation Forest en KNN in de context van DFU-detectie, waarbij wordt aangetoond dat onbewaarde methoden geschikt zijn voor real-time monitoring zonder de noodzaak van gelabelde trainingsdata van ulcera.
3. Feature Importance Analyse: Identificatie van welke sensoren en kenmerken (bijv. druk op sensor 3 in het midden van de voet) het meest indicatief zijn voor risico's.

Resultaten

• Isolation Forest: Dit algoritme bleek het meest effectief voor de vroege detectie van subtiele, micro-anomalieën. Het kan fijne afwijkingen in druk en temperatuur opvangen die wijzen op beginnende ontsteking of langdurige stress, voordat er sprake is van extreme waarden.
• KNN (LOF): Dit model was zeer gevoelig voor extreme afwijkingen (bijv. plotselinge temperatuurspieken of zeer hoge druk), maar had een hoger percentage vals-positieven. Dit maakt het minder geschikt voor continue monitoring vanwege "alert fatigue", maar wel nuttig als aanvullend hulpmiddel voor ernstige incidenten.
• Correlatie: Er werd een positieve correlatie gevonden tussen druk en temperatuur (bijv. een correlatie van 0,48 tussen gemiddelde druk en maximale temperatuur op specifieke sensoren). Dit ondersteunt de theorie dat verhoogde druk leidt tot verhoogde temperatuur (door wrijving of ontsteking).
• Tijdsreekspatronen: Anomalieën waren geconcentreerd in specifieke periodes (september-oktober 2023, januari 2024), wat wijst op seizoensinvloeden (bijv. vasoconstrictie door kou in december) of specifieke gedragspatronen.

Betekenis en Conclusie
De studie toont aan dat onbewaarde machine learning-modellen, met name Isolation Forest, een krachtige basis vormen voor real-time surveillance van diabetische voetgezondheid. Door subtiele veranderingen in tijdreeksdata van draagbare sensoren te detecteren, kunnen zorgverleners eerder ingrijpen en zo de incidentie van ulcera verminderen.

Beperkingen en Toekomstperspectief
De huidige studie is beperkt tot data van gezonde volwassenen in een gecontroleerde omgeving, wat de generaliseerbaarheid naar diabetische patiënten beperkt. Toekomstig onderzoek moet gericht zijn op:

• Het verzamelen van grotere, diverse datasets van patiënten met verschillende stadia van diabetische voetziekte.
• Integratie van contextuele variabelen (schoeisel, omgevingstemperatuur, activiteit).
• Toepassing van geavanceerde deep learning-architecturen (zoals LSTM-netwerken) en ensemble-methoden om de nauwkeurigheid en personalisatie te verbeteren.
• Implementatie in klinische workflows via eHealth-platforms.

Kortom, dit paper legt de fundamenten voor een proactief, digitaal monitoringssysteem dat de kwaliteit van leven voor diabetespatiënten kan verbeteren en de kosten voor de gezondheidszorg kan drukken.