El aprendizaje automático puede monitorear y predecir la progresión de la esclerosis múltiple



Monitorear la progresión de los problemas de la marcha relacionados con la esclerosis múltiple puede ser un desafío en adultos mayores de 50 años, lo que requiere que un médico distinga entre los problemas relacionados con la EM y otros problemas relacionados con la edad.

Para abordar este problema, los investigadores están integrando datos de la marcha y el aprendizaje automático para avanzar en las herramientas utilizadas para monitorear y predecir la progresión de la enfermedad.

Un nuevo estudio de este enfoque dirigido por el estudiante graduado de la Universidad de Illinois Urbana Champaign Rachneet Kaur, el profesor de kinesiología y salud comunitaria Manuel Hernández y el profesor de ingeniería industrial y empresarial y matemáticas Richard Sowers se publica en la revista. Transacciones del Instituto de Ingenieros Eléctricos y Electrónicos en Ingeniería Biomédica.

La esclerosis múltiple puede presentarse de muchas formas en los aproximadamente 2 millones de personas que afecta a nivel mundial, y los problemas para caminar son un síntoma común. Aproximadamente la mitad de los pacientes necesitan ayuda para caminar dentro de los 15 años posteriores al inicio, informa el estudio.

Queríamos tener una idea de las interacciones entre el envejecimiento y los cambios concurrentes relacionados con la enfermedad de EM, y si también podemos diferenciar entre los dos en adultos mayores con EM. Las técnicas de aprendizaje automático parecen funcionar particularmente bien para detectar cambios ocultos complejos en el rendimiento. Presumimos que estas técnicas de análisis también podrían ser útiles para predecir cambios repentinos en la marcha en personas con EM “.

Manuel Hernández, KProfesor de Inesiología y Salud Comunitaria, Universidad de Illinois en Urbana-Champaign

Utilizando una cinta de correr instrumentada, el equipo recopiló datos de la marcha, normalizados para el tamaño corporal y la demografía, de 20 adultos con EM y de 20 adultos mayores sin EM de edad, peso, altura y sexo.

Los participantes caminaron a un ritmo cómodo durante 75 segundos mientras un software especializado capturaba los eventos de la marcha, las correspondientes fuerzas de reacción del suelo y las posiciones del centro de presión durante cada caminata.

El equipo extrajo las características espaciales, temporales y cinéticas características de cada participante en sus zancadas para examinar las variaciones en la marcha durante cada prueba.

Los cambios en varias características de la marcha, incluida una característica de datos llamada diagrama de mariposa, ayudaron al equipo a detectar diferencias en los patrones de marcha entre los participantes.

El diagrama obtiene su nombre de la curva en forma de mariposa creada a partir de la trayectoria repetida del centro de presión para múltiples pasos continuos durante la caminata de un sujeto y está asociado con funciones neurológicas críticas, informa el estudio.

“Estudiamos la efectividad de un marco de aprendizaje automático basado en la dinámica de la marcha para clasificar los pasos de las personas mayores con EM de los controles sanos para generalizar entre diferentes tareas de caminata y sobre nuevos sujetos”, dijo Kaur. “Esta metodología propuesta es un avance hacia el desarrollo de un marcador de evaluación para que los profesionales médicos puedan predecir a las personas mayores con EM que probablemente tendrán un empeoramiento de los síntomas a corto plazo”.

Los estudios futuros pueden proporcionar exámenes más completos para manejar el pequeño tamaño de la cohorte del estudio, dijo Sowers.

“Los sistemas biomecánicos, como caminar, son sistemas mal modelados, lo que dificulta la detección de problemas en un entorno clínico”, dijo Sowers. “En este estudio, estamos tratando de extraer conclusiones de conjuntos de datos que incluyen muchas mediciones de cada individuo, pero un pequeño número de individuos. Los resultados de este estudio hacen un avance significativo en el área de las estrategias de predicción de enfermedades basadas en el aprendizaje automático clínico. . “

Fuente:

Referencia de la revista:

Kaur, R., et al. (2021) Predicción de la esclerosis múltiple a partir de la dinámica de la marcha mediante una cinta de correr instrumentada: un enfoque de aprendizaje automático. Transacciones IEEE sobre ingeniería biomédica. doi.org/10.1109/TBME.2020.3048142.

.



Source link