Foundation model for gait kinetics estimation across neurological and developmental cohorts from flexible kinematic inputs
PathoGaitFM is een foundation model dat nauwkeurig de loopkinetica schat over diverse neurologische en ontwikkelingscohorten met behulp van flexibele kinematische inputs, waarbij het een hoge generaliseerbaarheid en robuustheid demonstreert zonder dat hertraining voor specifieke populaties of meetprotocollen vereist is.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Lopen is een complexe mechanische handeling die de meesten van ons uitvoeren zonder er een tweede gedachte aan te geven, maar voor artsen die aandoeningen zoals cerebrale parese, beroerte of de ziekte van Parkinson behandelen, is het begrijpen van de precieze krachten die bij elke stap betrokken zijn, cruciaal. Om operaties te plannen of revalidatie op maat te maken, moeten clinici niet alleen weten hoe een persoon beweegt, maar ook hoeveel kracht hun gewrichten absorberen en genereren. Traditioneel gezien is het meten van deze interne krachten een moeilijke taak geweest die voorbehouden was aan gespecialiseerde laboratoria. Het vereist dure apparatuur, zoals krachtgevoelige vloeren en camera's die reflecterende markers op het lichaam volgen, samen met een team van experts om de gegevens te verwerken. Deze opstelling is zo omslachtend dat deze zelden beschikbaar is in reguliere klinieken, gemeenschapscentra of thuis, waardoor er een aanzienlijke kloof ontstaat in de manier waarop artsen patiënten buiten een onderzoekssetting monitoren en behandelen.
Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld die tot doel heeft deze kloof te overbruggen met behulp van een type kunstmatige intelligentie genaamd een foundation model. In plaats van te vertround op krachtplaten, kan dit systeem, genaamd PathoGaitFM, de krachten die op het lichaam inwerken schatten met behulp van enkel de hoeken van de gewrichten terwijl ze bewegen. De onderzoekers hebben dit model getraind op een enorme hoeveelheid gegevens van gezonde volwassenen, waarbij ze het de fundamentele fysica van het lopen hebben geleerd. Ze testten vervolgens of dit enkele, gedeelde model accuraat de krachten kon voorspellen voor mensen met verschillende neurologische aandoeningen, waaronder kinderen met cerebrale parese, volwassenen die een beroerte hebben gehad, en mensen met de ziekte van Parkinson. Het doel was om te zien of één universeel model de mechanica van het lopen kon begrijpen over zeer verschillende soorten lichamen en bewegingspatronen heen, zonder dat het voor elke specifieke groep opnieuw getraind hoefde te worden.
De resultaten laten zien dat het model bijzonder effectief is bij deze taak. Wanneer het werd getest op gegevens van vier verschillende patiëntengroepen, slaagde het systeem erin de krachtpatronen van het lopen te reconstrueren met een hoge mate van nauwkeurigheid, waarbij de referentiemetingen werden benaderd met een correlatiescore van 0,811. Deze prestatie was iets beter dan andere bestaande methoden die specifiek voor elke individuele groep waren getraind. Belangrijker nog, het model toonde een sterk vermogen tot generalisatie. Wanneer de onderzoekers hetzelfde model toepasten op vijf volledig nieuwe datasets van verschillende laboratoria en populaties — zonder enige aanpassingen of hertraining — bleef de nauwkeurigheid hoog, met een correlatiescore van 0,898. Dit suggereert dat het model een diep, gedeeld begrip heeft geleerd van hoe de loopmechanica werkt, in plaats van alleen de specifieke details van de mensen waarop het getraind is te hebben onthouden.
Een ander belangrijk resultaat is de flexibiliteit van het model met betrekking tot de ontvangen gegevens. In realistische scenario's kunnen sensoren falen, of een patiënt kan mogelijk niet op elk gewricht markers dragen. De onderzoekers testten of het model nog steeds kon werken als bepaalde gewrichtshoeken ontbraken. Ze ontdekten dat zelfs wanneer ze informatie over de heupen, knieën of enkels verwijderden, de nauwkeurigheid van het model slechts licht daalde, met een kleine marge van maximaal 0,041 in hun correlatiescore. Dit geeft aan dat het systeem kan adapteren aan onvolledige informatie, een vitale eigenschap voor klinisch gebruik waar perfecte gegevens niet altijd beschikbaar zijn. Bovendien presteerde het model goed wanneer het werd gevoed met gegevens van videocamera's en draagbare bewegingssensoren, waarbij het resultaten behaalde die vergelijkbaar zijn met die van de traditionele, marker-gebaseerde systemen.
De studie vergeleek deze nieuwe aanpak ook met andere gevestigde methoden. De onderzoekers ontdekten dat hun foundation model beter presteerde dan drie andere gepubliceerde modellen die specifiek voor dezelfde patiëntengroepen waren hertraind. Dit suggereert dat de strategie van het voortrainen op een grote dataset van gezond lopen en vervolgens een techniek gebruiken om ontbrekende gegevens aan te vullen, krachtiger is dan het bouwen van afzonderlijke modellen voor elke specifieke aandoening. Het model was in staat om de krachten voor de heup, knie en enkel te schatten, evenals de verticale kracht die vanuit de grond omhoog duwt, over een breed scala aan leeftijden en aandoeningen. Hoewel de fouten iets groter waren voor patiënten met ernstigere bewegingsstoornissen, lagen de schattingen nog steeds binnen een bereik dat vergelijkbaar is met de natuurlijke variatie die men ziet wanneer iemand meerdere keren in een lab loopt.
Dit werk wijst naar een toekomst waarin gedetailleerde biomechanische analyse niet langer beperkt is tot het laboratorium. Door aan te tonen dat een enkel model accuraat krachten kan schatten uit flexibele inputs over diverse populaties heen, hebben de onderzoekers een sterke basis gelegd voor het gebruik van draagbare technologie in de reguliere zorg. De bevindingen suggereren dat artsen binnenkort videocamera-opnames of eenvoudige draagbare sensoren kunnen gebruiken om inzichten te verkrijgen in gewrichtsbelasting en bewegingsmechanica, waardoor geavanceerde ganganalyse toegankelijk wordt voor poliklinische centra en thuisrevalidatie. Hoewel het model de precisie van krachtplaten voor onderzoeksdoeleinden niet vervangt, biedt het een veelbelovend alternatief voor omgevingen waar dergelijk materieel logistiek onmogelijk te gebruiken is, wat potentieel de manier waarop bewegingsstoornissen in de dagelijkse praktijk worden gemonitord en behandeld, kan transformeren.
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.