Машинное обучение помогает выявлять проблемы с походкой у пациентов с рассеянным склерозом

Мониторинг прогрессирования проблем с походкой, связанных с рассеянным склерозом, может быть сложной задачей у взрослых старше 50 лет, что требует от клинициста дифференциации проблем, связанных с рассеянным склерозом, и других возрастных проблем. Чтобы решить эту проблему, исследователи объединили данные о походке и машинное обучение, чтобы усовершенствовать инструменты, используемые для мониторинга и прогнозирования прогрессирования заболевания.

Рассеянный склероз может проявляться по-разному примерно у двух миллионов человек во всем мире, и проблемы с ходьбой являются распространенным симптомом. Около половины пациентов нуждаются в помощи при ходьбе в течение 15 лет после начала заболевания. Исследователи стремились определить взаимосвязь между старением и одновременными изменениями, связанными с болезнью РС, и могли ли они различать их у пожилых людей с РС. Методы машинного обучения особенно хорошо помогают выявлять сложные скрытые изменения производительности.

Используя беговую дорожку с инструментами, команда собрала данные о походке, нормализованные по размеру тела и демографическим характеристикам, у 20 взрослых с РС и 20 пожилых людей без РС, соответствующих возрасту, весу, росту и полу. Участники шли в удобном темпе до 75 секунд, в то время как специальное программное обеспечение регистрировало события походки, соответствующие силы реакции опоры и положение центра давления во время каждой прогулки. Команда извлекла характерные пространственные, временные и кинетические характеристики шагов каждого участника, чтобы изучить изменения походки во время каждого испытания.

Изменения в различных характеристиках походки, включая функцию данных, называемую диаграммой бабочки, помогли команде обнаружить различия в моделях походки между участниками. Диаграмма получила свое название от кривой в форме бабочки, созданной из повторяющейся траектории центра давления для нескольких непрерывных шагов во время ходьбы субъекта, и связана с критическими неврологическими функциями.

Биомеханические системы, такие как ходьба, представляют собой плохо моделируемые системы, что затрудняет выявление проблем в клинических условиях. Новый метод извлек выводы из наборов данных, которые включают множество измерений каждого человека, но небольшое количество людей. Результаты работы значительно продвинулись в области клинических стратегий прогнозирования заболеваний на основе машинного обучения.