Machine Learning Membantu Mendeteksi Masalah Gaya Berjalan pada Pasien Multiple Sclerosis
Memantau perkembangan masalah gaya berjalan terkait multiple sclerosis dapat menjadi tantangan pada orang dewasa di atas 50 tahun, yang membutuhkan dokter untuk membedakan antara masalah yang terkait dengan MS dan masalah terkait usia lainnya. Untuk mengatasi masalah ini, para peneliti mengintegrasikan data gaya berjalan dan pembelajaran mesin untuk memajukan alat yang digunakan untuk memantau dan memprediksi perkembangan penyakit.
Multiple sclerosis dapat muncul dengan sendirinya dalam banyak cara pada sekitar dua juta orang yang terkena secara global, dan masalah berjalan adalah gejala yang umum. Sekitar setengah dari pasien membutuhkan bantuan berjalan dalam waktu 15 tahun setelah onset. Para peneliti berusaha untuk menentukan interaksi antara penuaan dan perubahan terkait penyakit MS secara bersamaan dan apakah mereka dapat membedakan antara keduanya pada orang dewasa yang lebih tua dengan MS. Teknik pembelajaran mesin bekerja sangat baik dalam menemukan perubahan tersembunyi yang kompleks dalam kinerja.
Dengan menggunakan treadmill yang diinstrumentasi, tim mengumpulkan data gaya berjalan - dinormalisasi untuk ukuran tubuh dan demografi - dari 20 orang dewasa dengan MS dan 20 orang dewasa yang lebih tua dengan usia, berat, tinggi, dan jenis kelamin yang cocok tanpa MS. Para peserta berjalan dengan kecepatan yang nyaman hingga 75 detik sementara perangkat lunak khusus menangkap peristiwa gaya berjalan, gaya reaksi tanah yang sesuai, dan posisi pusat tekanan selama setiap berjalan. Tim mengekstraksi karakteristik spasial, temporal, dan kinetik masing-masing peserta dalam langkah mereka untuk memeriksa variasi gaya berjalan selama setiap percobaan.
Perubahan dalam berbagai fitur gaya berjalan, termasuk fitur data yang disebut diagram kupu-kupu, membantu tim mendeteksi perbedaan pola gaya berjalan di antara peserta. Diagram mendapatkan namanya dari kurva berbentuk kupu-kupu yang dibuat dari lintasan pusat tekanan berulang untuk beberapa langkah berkelanjutan selama subjek berjalan dan dikaitkan dengan fungsi neurologis kritis.
Sistem biomekanik, seperti berjalan, adalah sistem yang dimodelkan dengan buruk, sehingga sulit untuk menemukan masalah dalam pengaturan klinis. Metode baru mengekstraksi kesimpulan dari kumpulan data yang mencakup banyak pengukuran setiap individu tetapi sejumlah kecil individu. Hasil kerja membuat kemajuan yang signifikan di bidang strategi prediksi penyakit berbasis pembelajaran mesin klinis.
