Машинное обучение помогает выявлять проблемы с походкой у людей с рассеянным склерозом
Ученые используют машинное обучение, чтобы понять, какие проблемы связаны с рассеянным склерозом, а какие обусловлены другими возрастными заболеваниями, сообщает пресс-релиз University of Illinois at Urbana-Champaign
Machine learning helps spot gait problems in individuals with multiple sclerosis.
Статья Kaur et al. Predicting Multiple Sclerosis from Gait Dynamics Using an Instrumented Treadmill – A Machine Learning Approach опубликована в журнале IEEE Transactions on Biomedical Engineering – ВМ.
Мониторинг прогрессирования проблем с походкой, связанных с рассеянным склерозом, может быть сложной задачей у взрослых старше 50 лет, потому что клиницист должен различать проблемы, связанные с рассеянным склерозом, и другими возрастными изменениями. Теперь исследователи объединяют данные о походке и машинное обучение, чтобы усовершенствовать инструменты, используемые для мониторинга и прогнозирования прогрессирования заболевания.
Новое исследование этого подхода, проведенное аспирантом Университета Иллинойса в Урбане Шампейн Рахнитом Кауром, профессором кинезиологии и общественного здравоохранения Мануэлем Эрнандесом и профессором промышленной и предпринимательской инженерии и математики Ричардом Соуэрсом.
Рассеянный склероз может проявляться по-разному у примерно 2 миллионов человек во всем мире, и проблемы с ходьбой являются обычным симптомом. По данным исследования, около половины пациентов нуждаются в помощи при ходьбе в течение 15 лет после начала заболевания.
«Мы хотели понять взаимосвязь между старением и сопутствующими изменениями, связанными с РС, и узнать, можем ли мы также различать эти два явления у пожилых людей с РС, – сказал Эрнандес. – Методы машинного обучения, кажется, особенно хорошо работают при обнаружении сложных скрытых изменений. Мы предположили, что эти методы анализа также могут быть полезны для прогнозирования внезапных изменений походки у людей с РС».
Используя инструментальную беговую дорожку, команда собрала данные о походке – нормализованные по размеру тела и демографическим характеристикам – от 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 специализированное программное обеспечение фиксировало события походки, соответствующие силы реакции земли и положения центра давления во время каждой прогулки. Команда извлекла характерные пространственные, временные и кинетические особенности каждого участника в их шагах, чтобы изучить вариации походки во время каждого испытания.
Изменения в различных характеристиках походки, в том числе в функции данных, называемой диаграммой бабочки, помогли команде обнаружить различия в образцах 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, говорится в исследовании.
«Мы изучаем эффективность системы машинного обучения, основанной на динамике походки, чтобы классифицировать шаги пожилых людей с РС от здорового контроля до обобщения для различных задач ходьбы и новых предметов, – сказал Каур. – Предлагаемая методология является шагом вперед на пути к разработке оценочного маркера для медицинских работников, позволяющего прогнозировать пожилых людей с РС, у которых в ближайшем будущем вероятно ухудшение симптомов».
По словам Сауэрса, в будущих исследованиях можно будет провести более тщательные исследования, чтобы справиться с проблемой небольшого размера когорты исследования.
«Биомеханические системы, такие как ходьба, плохо смоделированы, что затрудняет выявление проблем в клинических условиях, – сказал Сауэрс. – В этом исследовании мы пытаемся сделать выводы из наборов данных, которые включают множество измерений каждого человека, но небольшое количество людей. Результаты этого исследования значительно продвинулись в области клинических стратегий прогнозирования заболеваний на основе машинного обучения».
Анна Юдина, «Научная Россия»
Портал «Вечная молодость» vechnayamolodost.ru
