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
Deze retrospectieve studie toont aan dat een multimodale machine learning-fusiemodel, dat gemiddelde en variabiliteit van loopkenmerken combineert uit de domeinen van spatio-temporele, plantaire druk en gewrichtsbewegingsbereik, een hoge nauwkeurigheid bereikt bij het onderscheiden van gezonde volwassenen van personen met knieartrose, hoewel de prestaties voor de exploratieve Kellgren-Lawrence ernstgradatie inconsistent waren tussen de validatie- en de interne testsets.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Lopen is een ritme waar we zelden bij stilstaan totdat het hapert. Voor mensen met knieartrose, een aandoening waarbij het kraakbeen in het gewricht slijt, verandert dat ritme. Ze lopen misschien langzamer, nemen kortere passen of verplaatsen hun gewicht anders om pijn te vermijden. Wetenschappers weten al lang dat de manier waarop iemand loopt aanwijzingen bevat over hun gezondheid, maar ze hebben moeite gehad om het erover eens te worden welke aanwijzingen er precies het meest toe doen. Is het de gemiddelde manier waarop iemand beweegt, of zijn het de kleine, momentelijk wankelingen in de stap? Vertelt de druk onder de voet een ander verhaal dan de hoek van de knie? Het begrijpen van deze details is cruciaal, omdat het artsen kan helpen de ziekte eerder op te sporen of het verloop ervan te volgen zonder uitsluitend te vertrouwen op röntgenfoto's, die de botstructuur laten zien maar niet hoe een persoon daadwerkelijk beweegt.
Een team van onderzoekers in China begon deze vragen te ontrafelen door goed te luisteren naar de voetstappen van bijna 340 mensen. Ze verzamelden een groep gezonde volwassenen, variërend van middelbare leeftijd tot ouderen, en een tweede groep mensen met bevestigde knieartrose. Met behulp van een gespecialiseerde loopband die de druk onder de voet meet en een camerasysteem dat de gewrichtsbeweging volgt, registreerden ze hoe elke persoon liep. De onderzoekers keken niet alleen naar de gemiddelde snelheid of de gemiddelde hoek van een knie; ze maten ook hoeveel die getallen varieerden van de ene stap naar de andere. Ze behandelden deze twee soorten informatie — de constante gemiddelde waarde en de fluctuerende variabiliteit — als afzonderlijke datastromen, in de hoop dat het combineren ervan een duidelijker beeld zou creëren van wie de ziekte heeft en wie niet.
De studie richtte zich op twee duidelijke doelen. Ten eerste wilden ze zien of een computerprogramma het verschil kon zien tussen de gezonde wandelaars en de mensen met kniepijn. Ten tweede probeerden ze te zien of dezelfde loopdata de patiënten in verschillende gradaties van ernst konden indelen, gebaseerd op een standaard schaal die artsen gebruiken om de schade te beoordelen die op röntgenfoto's te zien is. Om dit te doen, voerden ze de computer gegevens uit drie hoofdgebieden: hoe de voeten de grond raakten, hoe de gewrichten bewogen en de timing van de stappen. Ze testten veel verschillende wiskundige benaderingen om te vinden welke het beste werkte, waarbij ze hun gegevens zorgvuldig splitsen zodat de computer leerde van een set mensen en vervolgens werd getest op een volledig andere set die de computer nog nooit eerder had gezien.
De resultaten voor het eerste doel waren opvallend. Wanneer de computer de opdracht kreeg om simpelweg onderscheid te maken tussen een gezond persoon en iemand met knieartrose, werd het programma opmerkelijk accuraat. Door de gemiddelde looppatronen te combineren met de variaties in die patronen, identificeerde het model de groepen in bijna elk geval correct. De belangrijkste aanwijzingen kwamen uit een mix van bronnen: hoe consistent de voet het gewicht overdroeg, hoeveel de knie bewoog en hoe stabiel de enkel was. Dit suggereert dat de ziekte zowel de algemene strategie die iemand gebruikt om te lopen als de stabiliteit van die strategie verandert. De computer had niet slechts één type meting nodig; de kracht kwam voort uit het luisteren naar het hele verhaal van de wandeling.
Echter, het tweede doel bleek veel moeilijker. Wanneer de onderzoekers de computer vroegen om de ernst van de ziekte te graderen — het onderscheiden tussen milde, matige en ernstige gevallen op basis van alleen het lopen — waren de resultaten inconsistent. Het model dat goed werkte voor het opsporen van de ziekte, slaagde er niet in om de patiënten betrouwbaar in te delen naar de mate van ernst. In de testfase haalde de computer de verschillende niveaus van ernst vaak door elkaar, waarbij het in sommige gevallen niet beter presteerde dan willekeurige gokken. Deze bevinding is significant omdat het suggereert dat hoewel looppatronen duidelijk laten zien dat er iets mis is, ze niet noodzakelijkerwijs direct in kaart worden gebracht met de specifieke mate van schade die op een röntgenfoto te zien is. Twee mensen met hetzelfde niveau van gewrichtsschade kunnen heel verschillend lopen, bijvoorbeeld omdat de een zijn beweging heeft aangepast om met pijn om te gaan terwijl de ander dat niet heeft gedaan.
De onderzoekers concludeerden dat loopanalyse een krachtig hulpmiddel is voor het detecteren van de aanwezigheid van knieartrose, maar nog geen betrouwbaar hulpmiddel is voor het graderen van de ernst ervan. De studie benadrukt dat de manier waarop we lopen een complexe mix is van gewoonten, pijnsreacties en fysieke beperkingen die niet altijd perfect overeenkomen met de structurele schade in het gewricht. Vooralsnog lijkt het beste gebruik van deze technologie te liggen in het identificeren van wie verdere medische aandacht nodig heeft, in plaats van te proberen de röntgenfoto te vervangen door een stapenteller. Het werk opent de deur voor toekomstige studies om te zien of deze loop-handtekeningen de verandering in iemands conditie kunnen volgen, maar het dient ook als een herinnering dat het menselijk lichaam te complex is om te worden teruggebracht tot één enkele, eenvoudige score.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.