IMU-Based Hip Adduction and Flexion Moment Estimation for Osteoarthritis and Healthy Individuals During Normal and Modified Gait

Voor miljoenen mensen die leven met heupartrose is de eenvoudige handeling van het lopen een constante onderhandeling met pijn. De aandoening slijt het gladde kraakbeen dat het gewricht dempt, waardoor elke stap verandert in een schurende wrijving die kan leiden tot ernstige invaliditeit. Hoewel artsen de schade op een röntgenfoto kunnen zien, ontvouwt het ware verhaal van de ziekte zich in de onzichtbare krachten die op het lichaam inwerken terwijl een persoon beweegt. Elke keer dat een voet de grond raakt, absorbeert het heupgewricht een enorme belasting, en de manier waarop iemand loopt — hoe ze leunen, hoe ze hun tenen draaien, hoe snel ze bewegen — bepaalt precies hoeveel stress dat gewricht moet verdragen. In de loop van de tijd kunnen deze cumulatieve krachten de ziekte versnellen, maar voor de meeste patiënten vindt deze gevaarlijke belasting plaats in de stilte van hun dagelijks leven, ver weg van de gespecialiseerde klinieken waar dergelijke metingen gewoonlijk worden uitgevoerd.

Tot nu toe vereiste het begrijpen van deze krachten een bezoek aan een biomechanisch laboratorium. Daar lopen patiënten over een vloer die is ingebed met enorme druksensoren, terwijl camera's hun bewegingen met laserprecisie volgen. Deze opstelling biedt een gedetailleerde momentopname van de gewrichtsbelasting, maar het is duur, omslachtig en legt slechts enkele seconden van het lopen vast in een gecontroleerde omgeving. Het kan een arts niet vertellen hoe de heup van een patiënt reageert tijdens een ochtendwandeling in het park, een boodschapronde of een moment van afleiding. De uitdaging voor de medische wetenschap is geweest om een manier te vinden om dit niveau van inzicht uit het lab en naar de echte wereld te brengen, met behulp van kleine, draagbare apparaten die de beweging van het lichaam kunnen volgen zonder de noodzaak van een kamer vol apparatuur.

Een team van onderzoekers van de Shanghai Jiao Tong Universiteit, de Kyoto Universiteit en de Chinese Universiteit van Hong Kong heeft een belangrijke stap gezet naar het oplossen van dit probleem. Ze ontwikkelden een nieuwe methode om de draai- en buigkrachten in het heupgewricht te schatten met behulp van alleen kleine sensoren die aan het lichaam zijn bevestigd. Deze sensoren, bekend als inertiële meeteenheden, zijn piepkleine apparaten die versnelling en rotatie kunnen detecteren, vergelijkbaar met de chips die in smartphones worden gevonden. De onderzoekers wilden weten of ze deze eenvoudige signalen konden gebruiken om de complexe krachten die op de heup inwerken te reconstrueren, zelfs voor mensen met artritis en zelfs wanneer die mensen hun manier van lopen veranderden.

Om hun idee te testen, rekruteerden het team tachtig vier deelnemers, waaronder jonge gezonde volwassenen, oudere gezonde volwassenen en mensen bij wie heupartrose is vastgesteld. Ze vroegen iedereen om op een loopband te lopen en over een vloer met krachtsensoren te lopen terwijl ze acht van deze kleine apparaten op hun romp, bekken en benen droegen. De deelnemers liepen niet alleen normaal; ze werden gevraagd hun gangpatroon op specifieke manieren te wijzigen om te zien of het systeem het kon bijhouden. Ze liepen sneller en langzamer, draaiden hun tenen naar binnen en naar buiten, maakten hun stappen breder en smaller, leunden hun bovenlichaam opzij en probeerden zelfs te lopen terwijl ze terugtelden per drie om een afgeleide geest te simuleren. Dit creëerde een enorme bibliotheek aan bewegingsgegevens, die vastlegde hoe de heup zich gedraagt onder een breed scala aan omstandigheden.

De onderzoekers bouwden vervolgens een computermodel, een type kunstmatige intelligentie ontworpen om patronen uit gegevens te leren. Ze trainden dit model om naar de signalen te kijken die afkomstig zijn van de sensoren op de romp, het bekken en de benen, en om de overeenkomstige krachten in de heup te voorspellen. Het doel was om een systeem te creëren dat voor iedereen zou kunnen werken, niet alleen voor de mensen op wie het getraind was. Aanvankelijk testten ze een "one-size-fits-all"-versie van het model. Deze versie was redelijk goed, maar had moeite om de exacte getallen correct te krijgen voor elk individu, vooral voor mensen met artritis wiens bewegingspatronen aanzienlijk verschilden van gezonde mensen.

De doorbraak kwam toen de onderzoekers een techniek introduceerden die "few-shot personalisatie" wordt genoemd. In plaats van te proberen elke persoon in dezelfde mal te persen, lieten ze het model een klein beetje leren over elke nieuwe persoon met behulp van slechts een minimale hoeveelheid gegevens. Voordat het systeem een nieuwe deelnemer testte op de moeilijke, aangepaste looptaken, vroeg het hen om slechts een paar stappen normaal te lopen. Het model gebruikte deze paar stappen om zijn interne instellingen aan te passen aan die specifieke persoon, de lichaamsgrootte, hoe zij de sensoren droegen en hun unieke manier van bewegen. Het was een proces van kalibratie, vergelijkbaar met het afstemmen van een radio op een specifiek station, maar dan in seconden uitgevoerd door de computer.

De resultaten lieten zien dat deze kleine aanpassing een enorm verschil maakte. Wanneer het model alleen de gegevens van een paar normale stappen gebruikte om zichzelf te personaliseren, werden de voorspellingen opmerkelijk nauwkeurig. Voor de krachten die de heup naar binnen duwen en de krachten die hem naar voren buigen, daalde de fout aanzienlijk, en de voorspelde bewegingspatronen kwamen met een hoge mate van precisie overeen met de werkelijke metingen. Deze nauwkeurigheid bleef standhouden, zelfs toen de deelnemers overgingen op de moeilijke taken, zoals lopen met een brede stap of het kantelen van de romp. Het systeem hoefde niet opnieuw getraind te worden voor elke nieuwe loopstijl; de initiële kalibratie was voldoende om het te laten generaliseren naar nieuwe situaties.

Misschien wel het belangrijkste is dat het systeem net zo goed werkte op een onafhankelijke groep mensen die nooit deel hadden uitgemaakt van het trainingsproces. Deze groep bevatte meer mensen met heupartrose en ontwikkelingsstoornissen in hun heupen, die over een vlak oppervlak liepen in plaats van op een loopband. Het gepersonaliseerde model slaagde erin hun heupkrachten te schatten, wat bewees dat de methode kon worden overgedragen naar verschillende omgevingen en verschillende soorten patiënten. De onderzoekers ontdekten dat het systeem niet alleen de gemiddelde kracht nauwkeurig kon vastleggen, maar ook de specifieke pieken van stress die optreden op het moment dat de voet de grond raakt, evenals de totale hoeveelheid stress die gedurende de hele stap wordt opgebouwd. Deze details zijn cruciaal voor artsen, omdat ze aangeven welke looppatronen schadelijk kunnen zijn en welke kunnen helpen om het gewricht te beschermen.

De studie onderzocht ook hoeveel sensoren er daadwerkelijk nodig waren. Ze kwamen tot de conclusie dat het gebruik van sensoren op de romp, het bekken, de dij en het scheenbeen de beste balans bood tussen nauwkeurigheid en comfort. Het toevoegen van een sensor aan de voet verbeterde de resultaten niet genoeg om de extra last voor de patiënt te rechtvaardigen. Dit suggereert dat een praktisch, draagbaar systeem voor dagelijks gebruik vrij eenvoudig kan zijn, waarbij slechts vier kleine apparaten nodig zijn in plaats van een complexe reeks apparatuur.

De implicaties van dit werk reiken verder dan het laboratorium. Door nauwkeurige, continue monitoring van de heupbelasting buiten een kliniek mogelijk te maken, kan deze technologie artsen helpen schadelijke loopgewoonten te identificeren voordat ze verdere schade veroorzaken. Het zou patiënten de mogelijkheid bieden om realtime feedback te krijgen over hoe ze hun gang kunnen aanpassen om pijn te verminderen en de progressie van hun ziekte te vertragen. In plaats van te wachten op een jaarlijkse controle waarbij een arts mogelijk slechts een statisch beeld van het gewricht ziet, kunnen patiënten deze sensoren tijdens hun dagelijkse activiteiten dragen om te zien hoe hun lichaam reageert op verschillende activiteiten. De onderzoekers suggereren dat deze aanpak uiteindelijk kan leiden tot gepersonaliseerde revalidatieplannen die worden aangepast op basis van gegevens uit de echte wereld, in plaats van op basis van theoretische modellen.

Hoewel de studie werd uitgevoerd onder gecontroleerde omstandigheden met deelnemers die op loopbanden en gemarkeerde vloeren liepen, suggereert het succes van het gepersonaliseerde model bij een onafhankelijke groep die over de grond liep, een sterk potentieel voor praktische toepassing in de echte wereld. De onderzoekers erkennen dat toekomstig werk zal moeten testen hoe het systeem werkt in volledig ongecontroleerde omgevingen, zoals drukke straten of ongelijk terrein, en manieren moet verkennen om de noodzaak voor de initiële kalibratiestappen te verminderen. Echter, de kernbevinding blijft duidelijk: door draagbare sensoren te combineren met een slim, aanpasbaar computermodel, is het mogelijk om de onzichtbare krachten te zien die op de menselijke heup inwerken, wat een nieuw venster opent naar het beheer van een van de meest voorkomende en invaliderende gewrichtsaandoeningen van onze tijd.