Detail

Sprachnavigation

Mobile Navigation

Interpretation von Gangmustern bei MS

Künstliche Intelligenz könnte eine Analyse von Geh-Anomalien herstellen und helfen, bei Menschen mit Multipler Sklerose diejenigen Betroffenen zu filtern, bei denen ein hohes Risiko für eine baldige Krankheitsverschlechterung vorliegt, um dann eine individuelle und sehr gezielte Behandlung zu gewährleisten.

Schwierigkeiten beim Gehen gehören zu den häufigsten Symptomen von Multipler Sklerose (MS). Allerdings kann eine objektive Messung solcher Geh-Anomalien schwierig sein. Der Gang jeder Person ist sehr unterschiedlich, da er von der besonderen Mechanik seines Körpers beeinflusst wird. Darüber hinaus neigen Gehmuster dazu, sich mit dem Alter zu ändern, und es kann schwierig sein, alters- und krankheitsbedingte Gangveränderungen zu unterscheiden. In einer neuen Studie nutzte ein Team unter der Leitung von Forschenden der University of Illinois maschinelles Lernen der künstlichen Intelligenz, um Geh-Anomalien bei älteren MS-Betroffenen besser identifizieren und interpretieren zu können.

Probleme bei biomechanischen Systemen wie dem Gehen sind in einem klinischen Umfeld schwierig zu erkennen, so Richard Sowers, Professor an der University of Illinois und Co-Autor der Studie. «Wir wollten ein Gefühl für die Wechselwirkungen zwischen Alterung und gleichzeitigen MS-Krankheitsveränderungen bekommen und herausfinden, ob wir auch bei älteren Erwachsenen mit MS zwischen den beiden unterscheiden können», ergänzt Manuel Hernandez, PhD, Studien-Co-Autor und Professor an derselben Universität.

Das maschinelle Lernen beinhaltet die Einspeisung eines Datensatzes in einen Computer. Dann entwickelt der Computer auf der Grundlage bestimmter vorgegebener mathematischer Einschränkungen Algorithmen, um die Daten zu verstehen (z. B. Algorithmen, die zwischen Personen mit oder ohne MS unterscheiden können). Die Forschenden sammelten Gangdaten von 20 älteren MS-Betroffenen (Durchschnittsalter 61 Jahre), sowie von 20 Menschen ohne MS-Erkrankung, die in Bezug auf Alter, Gewicht und Geschlecht mit den MS-Betroffenen übereinstimmten. Die Teilnehmenden wurden zweimal beim Gehen auf einem speziell entwickelten Laufband analysiert, einmal beim Gehen und einmal beim Gehen und Sprechen gleichzeitig.

Mit spezieller Software sammelten die Forschenden eine Vielzahl von Merkmalen: Wie schnell ist der Gang, wie lang ist jeder Schritt, was ist die Distanz zwischen den Füssen beim Gehen. Sie verwendeten auch verschiedene statistische Methoden, um erwartete Unterschiede von Menschen zu Menschen mathematisch zu berücksichtigen (beispielsweise haben grössere Menschen in der Regel längere Beine und machen folglich längere Schritte). Schon ohne den Einsatz von Algorithmen waren einige allgemeine Trends in den Gehmustern von Menschen mit versus Menschen ohne MS zu erkennen. Zum Beispiel neigten Menschen mit MS dazu, langsamer zu gehen, kürzere Schritte zu machen und mehr Platz zwischen ihren Füßen zu haben.

Aber erst nachdem diese Daten durch maschinelles Lernen im Computer analysiert wurden, war es möglich, MS-Betroffene zu identifizieren, bei denen ein erhöhtes Risiko vorlag, eine Verschlechterung der Symptome zu erleiden. «Die frühzeitige Erkennung dieser Wendepunkte bei älteren Menschen mit MS kann zu prägnanten und effektiven Nachweisstrategien führen, schrieben die Forscher. Unsere Methode könnte sowohl Betroffenen als auch Ärzten zugutekommen und helfen, durch präzisere Behandlung die Kosten für die MS-Therapie zu senken.»

Da diese Studie nur eine relativ geringe Anzahl von MS-Betroffenen mit Nicht-Betroffenen vergleichen konnte, ist eine weitere Forschung erforderlich. «In dieser Studie versuchten wir, Schlussfolgerungen aus Datensätzen zu ziehen, die viele Messungen jedes Einzelnen, aber eine kleine Anzahl von Individuen enthalten», sagte Sowers. «Die Ergebnisse dieser Studie bieten erhebliche Fortschritte im Bereich der klinisch-maschinell-basierten Strategien zur Krankheitsvorhersage.»

Publikationsdatum Original:  31.03.2021 - auf der Basis von Multiple Sclerosis News Today
×