Explainable machine learning of plantar-force gait biomarkers for Hoehn–Yahr staging in Parkinson’s disease
Deze studie presenteert een verklaarbaar machine learning-framework dat gebruikmaakt van plantaire krachtloopbiomarkers en ordinale modellering om een nauwkeurige, objectieve stadiëring van de ernst van de ziekte van Parkinson te bereiken over de Hoehn–Yahr-stadia 2.0 tot 3.0, terwijl belangrijke interpreteerbare loopkenmerken zoals de dubbele steunfase en bilaterale asymmetrie worden geïdentificeerd.
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
De ziekte van Parkinson is een aandoening die langzaam de manier verandert waarop de hersenen de bewegingen aansturen, wat het lopen vaak moeilijk, stijf of onstabiel maakt. Artsen beoordelen momenteel hoe ver de ziekte is gevorderd met behulp van een schaal genaamd de Hoehn–Yahr-schaal, die patiënten indeelt in stadia op basis van symptomen zoals balans en tremor. Hoewel deze schaal een standaardinstrument is, rust het op de observatie van een arts, die van persoon tot persoon kan variëren. Tegelijkertijd hebben wetenschappers geleerd dat de manier waarop iemand loopt een overvloed aan verborgen informatie bevat. Sensoren onder de voeten kunnen de exacte druk en timing van elke stap meten, waarbij subtiele verschuivingen in evenwicht en ritme worden vastgelegd die het menselijk oog mogelijk mist. De uitdaging is geweest om deze complexe voetdruksignalen om te zetten in een helder, betrouwbaar beeld van de ernst van de ziekte, vooral omdat de stadia van de ziekte niet slechts afzonderlijke categorieën zijn, maar een continue glijdende schaal van mild naar ernstig.
Een team van onderzoekers heeft een nieuw computersysteem ontwikkeld dat ontworend is om deze voetdruksignalen te lezen en de patiënt automatisch in te delen op de Hoehn–Yahr-schaal. In plaats van de stadia van de ziekte als ongerelateerde hokjes te behandelen, begrijpt het systeem dat ze stappen op een ladder zijn, waarbij de beweging van de ene naar de volgende stap een geleidelijke verslechtering van de conditie vertegenwoordigt. Door gegevens te analyseren van 93 patiënten die over een sensor-rijke vloer liepen, trainden de onderzoekers hun systeem om specifieaties patronen te herkennen in hoe mensen zich van de grond afzetten, hoe lang ze beide voeten tegelijk op de grond houden en hoe symmetrisch hun passen zijn. Het resultaat is een methode die niet alleen de fase van de ziekte met hoge nauwkeurigheid voorspelt, maar ook precies uitlegt welke loopgewoonten tot die conclusie hebben geleid.
De studie richtte zich op patiënten in de stadia 2.0, 2.5 en 3.0 van de ziekte, een bereik waarin symptomen aanwezig zijn maar de patiënt nog steeds zelfstandig kan lopen. De onderzoekers verzamelden gegevens uit een publieke database waar patiënten ongeveer twee minuten natuurlijk liepen terwijl sensoren de kracht van hun voetstappen registreerden. Ze ontdekten dat naarmate de ziekte vorderde, patiënten de neiging hadden om meer tijd met beide voeten op de grond door te brengen, met meer variatie in hun staptiming liepen en grotere verschillen vertoonden tussen hun linker- en rechterzijde. Het computersysteem werd gebouwd om deze specifieke veranderingen te leren. Het keek niet alleen naar de ruwe getallen; het leerde de ruis weg te filteren en zich te concentreren op de belangrijkste signalen, zoals de duur van de dubbele ondersteuningsfase en de variabiliteit van de loopcyclus.
Een van de grootste hindernissen waarmee de onderzoekers werden geconfronteerd, was dat de gegevens ongelijk verdeeld waren. Er waren veel meer patiënten in de eerdere stadia van de ziekte dan in de latere stadia, wat computerprogramma's er meestal toe brengt om de kleinere groep te negeren. Om dit op te lossen, gebruikten het team een techniek die realistische, synthetische voorbeelden creëerde van de ontbrekende patiënten om het systeem te helpen leren hoe ernstige symptomen eruitzien zonder ooit nep-echte mensen te verzinnen. Ze zorgden er ook voor dat het systeem eerlijk werd getest door alle gegevens van één persoon bij elkaar te houden, zodat de computer niet kon vertrouwen op het onthouden van de loop van één persoon om vervolgens later opnieuw te raden. Bij de test identificeerde het systeem het stadium van de ziekte voor bijna 85 procent van de patiënten. Belangrijker nog, het maakte zelden een ernstige fout, zoals het verwarren van een milde zaak met een ernstige zaak; wanneer het fout zat, was het meestal slechts één stap op de schaal, wat een veel kleinere fout is in een medische context.
Wat dit werk onderscheidt, is de transparantie. Veel computersystemen werken als een 'black box', waarbij ze een antwoord geven zonder te zeggen waarom. Dit systeem was echter ontworend om zijn werk te laten zien. Het identificeerde 18 specifieke loopkenmerken die het meest nuttig waren voor de diagnose, en het benadruagde consequent dezelfde kenmerken, zoals de tijd die met beide voeten op de grond wordt doorgebracht en de symmetrie van de zwaaifase. Door een methode genaamd SHAP te gebruiken, konden de onderzoekers precies zien hoeveel elk van deze kenmerken de voorspelling richting een hoger of lager stadium duwde. Bijvoorbeeld, een langere tijd met beide voeten op de grond en meer onregelmatige passen signaleerden consequent een gevorderd stadium van de ziekte. Dit niveau van detail betekent dat een arts de output van het systeem kan bekijken en de logica achter de voorspelling kan begrijpen, in plaats van alleen een getal te accepteren.
De onderzoekers vergeleken hun nieuwe systeem met oudere, standaard computermodellen en ontdekten dat hun aanpak aanzienlijk beter was in het onderscheiden van de stadia, vooral voor de patiënten met de meest ernstige symptomen in hun groep. Hoewel het systeem goed presteerde, merken de auteurs er voorzichtig bij op dat het is getest op een specifieke dataset en nog niet is bewezen op een bredere, onafhankelijke groep mensen. Ze wijzen er ook op dat het systeem momenteel alleen het middelste bereik van de ziekte beslaat en nog geen rekening houdt met de zeer vroege of zeer late stadia. Bovendien kan het systeem, omdat de studie naar een specifiek moment in de tijd keek, nog niet voorspellen hoe de ziekte van een specifiek persoon in de toekomst zal veranderen.
Uiteindelijk biedt dit onderzoek een veelbelovende nieuwe manier om de ziekte van Parkinson objectief te meten. Door de subtiele taal van voetdruk te vertalen naar een helder stadium-systeem, biedt de methode een instrument dat artsen kan helpen om de progressie van de ziekte consistenter te monitoren. Het vervangt het oordeel van de arts niet, maar biedt een precies, op gegevens gebaseerd tweede oordeel dat geworteld is in de fysieke realiteit van hoe een patiënt loopt. Het vermogen van het systeem om zijn eigen redenering uit te leggen, suggereert een toekomst waarin kunstmatige intelligentie in de geneeskunde niet alleen een rekenmachine is, maar een partner die clinici helpt de details van de conditie van een patiënt met meer helderheid te zien.
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.