Analisis Gerakan Berjalan yang Diberdayakan AI Meningkatkan Deteksi Dini Masalah Mobilitas pada Pasien Sklerosis Multipel
Memantau perkembangan masalah gerakan berjalan yang terkait sklerosis multipel dapat menantang pada dewasa di atas 50 tahun, yang memerlukan dokter untuk membedakan antara masalah yang terkait MS dan masalah terkait usia lainnya. Untuk mengatasi masalah ini, peneliti mengintegrasikan data gerakan berjalan dan pembelajaran mesin untuk memajukan alat yang digunakan untuk memantau dan memprediksi perkembangan penyakit.
Sklerosis multipel dapat menyajikan dirinya dengan banyak cara pada sekitar dua juta orang yang penderita secara global, dan masalah berjalan adalah gejala umum. Sekitar setengah pasien membutuhkan bantuan berjalan dalam 15 tahun setelah mulai. Peneliti mencoba untuk menentukan interaksi antara penuaan dan perubahan terkait penyakit MS yang bersamaan dan apakah mereka dapat membedakan antara keduanya pada dewasa dengan MS yang lebih tua. Teknik pembelajaran mesin bekerja sangat baik dalam menemukan perubahan tersembunyi yang kompleks dalam kinerja.
Menggunakan treadmill yang diinstrumenkan, tim mengumpulkan data gerakan berjalan — dinormalisasi untuk ukuran tubuh dan demografi — dari 20 orang dewasa dengan MS dan 20 orang dewasa lebih tua yang cocok dalam usia, berat badan, tinggi badan, dan gender tanpa MS. Peserta berjalan dengan kecepatan nyaman hingga 75 detik sementara perangkat lunak khusus menangkap peristiwa gerakan berjalan, gaya reaksi tanah yang sesuai, dan posisi tekanan pusat selama setiap berjalan. Tim mengekstrak fitur spasial, temporal, dan kinetik khas setiap peserta dalam langkah mereka untuk memeriksa variasi dalam gerakan berjalan selama setiap percobaan.
Perubahan dalam berbagai fitur gerakan berjalan, termasuk fitur data yang disebut butterfly diagram, membantu tim mendeteksi perbedaan dalam pola gerakan berjalan antara peserta. Diagram mendapatkan namanya dari kurva berbentuk kupu-kupu yang dibuat dari lintasan tekanan pusat berulang untuk banyak langkah berkelanjutan selama berjalan subjek dan terkait dengan fungsi neurologis kritis.
Sistem biomekanis, seperti berjalan, adalah sistem yang buruk dimodelkan, sehingga sulit untuk menemukan masalah dalam pengaturan klinis. Metode baru mengekstrak kesimpulan dari kumpulan data yang mencakup banyak pengukuran setiap individu tetapi jumlah individu yang sedikit. Hasil pekerjaan ini memberikan kemajuan signifikan dalam area strategi prediksi penyakit berbasis pembelajaran mesin klinis.
