Baanbrekende ontwikkeling van de Universiteit van Tel Aviv: Nauwkeurige en continue monitoring op afstand van de staplengte kan een gevoelige marker zijn voor neurologische ziekten en veroudering

Foto via Israel Seen

Onderzoekers van de Universiteit van Tel Aviv en het Tel Aviv Sourasky Medical Center (Tel Aviv) van Ichilov leidden een multidisciplinair internationaal onderzoek waarin een innovatief model op basis van machinaal leren werd ontwikkeld om de staplengte nauwkeurig te schatten.

Het nieuwe model kan worden geïntegreerd in een draagbaar apparaat dat (met ‘huidtape’) aan de onderrug wordt bevestigd en een continue monitoring van de stappen in het dagelijks leven van een patiënt mogelijk maakt. “Staplengte is een gevoelige maatstaf voor een breed scala aan problemen en ziekten, van cognitieve achteruitgang en veroudering tot de ziekte van Parkinson.

De conventionele meetinstrumenten die tegenwoordig bestaan ​​zijn stationair en omslachtig, en zijn alleen te vinden in gespecialiseerde klinieken en laboratoria. Het model dat we hebben ontwikkeld maakt nauwkeurige metingen mogelijk in de natuurlijke omgeving van een patiënt gedurende de dag, met behulp van een draagbare sensor”, aldus de onderzoekers.

De studie werd geleid door Assaf Zadka, een afgestudeerde student aan de afdeling Biomedische Technologie van de Universiteit van Tel Aviv; Prof. Jeffrey Hausdorff van de afdeling Fysiotherapie van de Faculteit Medische en Gezondheidswetenschappen en de Sagol School of Neuroscience van de Universiteit van Tel Aviv, evenals van de afdeling Neurologie, Tel Aviv Sourasky Medical Center (TASMC); en prof. Neta Rabin van de afdeling Industriële Techniek van de Fleischman Faculteit Ingenieurswetenschappen van de Universiteit van Tel Aviv.

Ook namen aan de studie deel Eran Gazit van TASMC, prof. Anat Mirelman van de Faculteit Medische en Gezondheidswetenschappen en de Sagol School of Neuroscience van de Universiteit van Tel Aviv en TASMC, evenals onderzoekers uit België, Engeland, Italië, Nederland en de Verenigde Staten. Het onderzoek werd ondersteund door het Centrum voor AI en Data Science van de Universiteit van Tel Aviv. Een artikel waarin het onderzoek wordt beschreven, is gepubliceerd in het tijdschrift Digital Medicine.

Prof. Hausdorff, een expert op het gebied van lopen, ouder worden en neurologie, legt uit: “Staplengte is een zeer gevoelige en niet-invasieve maatstaf voor het evalueren van een breed scala aan aandoeningen en ziekten, waaronder veroudering, achteruitgang als gevolg van neurologische en neurodegeneratieve ziekten, cognitieve achteruitgang, de ziekte van Alzheimer, Parkinson, multiple sclerose en meer. Tegenwoordig is het gebruikelijk om de staplengte te meten met behulp van apparaten die te vinden zijn in gespecialiseerde laboratoria en klinieken en die zijn gebaseerd op camera's en meetapparatuur zoals krachtgevoelige loopmatten Deze tests zijn accuraat; ze geven slechts een momentopname van het lopen van een persoon, die waarschijnlijk niet volledig het werkelijke functioneren weerspiegelt 24/7 monitoring, zoals mogelijk gemaakt door dit nieuwe model van staplengte, kan dit loopgedrag in de echte wereld vastleggen.

Prof. Rabin, een expert op het gebied van machinaal leren, voegt hieraan toe: "Om het probleem op te lossen, hebben we geprobeerd IMU-systemen (inertiële meeteenheden) te benutten - lichte en relatief goedkope sensoren die momenteel in elke telefoon en smartwatch zijn geïnstalleerd, en de bijbehorende parameters meten met lopen Eerdere studies hebben op IMU gebaseerde draagbare apparaten onderzocht om de staplengte te beoordelen, maar deze experimenten werden alleen uitgevoerd op gezonde proefpersonen zonder loopproblemen, waren gebaseerd op een kleine steekproefomvang die geen generalisatie mogelijk maakte, en de apparaten zelf waren dat niet. comfortabel om te dragen en soms waren er meerdere sensoren nodig. We probeerden een efficiënte en handige oplossing te ontwikkelen die geschikt zou zijn voor mensen met loopproblemen, zoals zieken en ouderen, en die het mogelijk zou maken om de hele dag door gegevens over de staplengte te kwantificeren en te verzamelen. in een omgeving die bekend is voor de patiënt. Het doel was om een ​​algoritme te ontwikkelen dat in staat is de IMU-gegevens te vertalen naar een nauwkeurige beoordeling van de staplengte, die kan worden geïntegreerd in een draagbaar en comfortabel apparaat.

Om het algoritme te ontwikkelen, gebruikten de onderzoekers IMU-sensorgebaseerde loopgegevens, naast staplengtegegevens die conventioneel werden gemeten in een eerder onderzoek, van 472 proefpersonen met verschillende aandoeningen, zoals de ziekte van Parkinson, mensen met milde cognitieve stoornissen, gezonde oudere proefpersonen, en evenals jongere, gezonde volwassenen en mensen met multiple sclerose. Op deze manier werd een nauwkeurige en diverse database bestaande uit 83.569 stappen verzameld. De onderzoekers gebruikten deze gegevens en machine learning-methoden om een ​​aantal computermodellen te trainen die de IMU-gegevens vertaalden naar een schatting van de staplengte. Om de robuustheid van de modellen te testen bepaalden de onderzoekers vervolgens in hoeverre de verschillende modellen nieuwe gegevens die niet in het trainingsproces waren gebruikt nauwkeurig konden analyseren – een vermogen dat bekend staat als generalisatie.

Assaf Zadka: "We ontdekten dat het model genaamd XGBoost het meest nauwkeurig is, en 3,5 keer nauwkeuriger dan het meest geavanceerde biomechanische model dat momenteel wordt gebruikt om de staplengte te schatten. Voor een enkele stap was de gemiddelde fout van ons model 6 cm - vergeleken met de 21 cm voorspeld door het conventionele model. Toen we een gemiddelde van 10 stappen evalueerden, kwamen we uit op een fout van minder dan 5 cm - een drempel die in de vakliteratuur bekend staat als 'het minimale verschil dat klinisch belang heeft' en die het mogelijk maakt. het identificeren van een significante verbetering of afname van de conditie van de proefpersoon. Met andere woorden, ons model is robuust en betrouwbaar en kan worden gebruikt om sensorgegevens te analyseren van proefpersonen, waarvan sommige met loopproblemen, die niet waren opgenomen in de oorspronkelijke trainingsset.

Prof. Hausdorff concludeert: “In ons onderzoek hebben we samengewerkt met onderzoekers op diverse terreinen over de hele wereld, en de multidisciplinaire inspanning heeft tot veelbelovende resultaten geleid. We hebben een machine learning-model ontwikkeld dat kan worden geïntegreerd met een draagbaar en gebruiksvriendelijk apparaat. sensor, die een nauwkeurige schatting geeft van de staplengte van de patiënt tijdens het dagelijks leven. De op deze manier verzamelde gegevens maken continue monitoring op afstand en op lange termijn van de toestand van een patiënt mogelijk, en kunnen ook in klinische onderzoeken worden gebruikt om de effectiviteit ervan te onderzoeken. Medicijnen Op basis van onze bemoedigende resultaten onderzoeken we of het mogelijk is om op basis van data van sensoren in smartwatches vergelijkbare modellen te ontwikkelen, die het comfort van de proefpersoon verder zouden verbeteren.”