L'apprentissage automatique aide à détecter les problèmes de marche chez les patients atteints de sclérose en plaques

Le suivi de la progression des problèmes de marche liés à la sclérose en plaques peut être difficile chez les adultes de plus de 50 ans, obligeant un clinicien à faire la différence entre les problèmes liés à la SEP et les autres problèmes liés à l'âge. Pour résoudre ce problème, les chercheurs ont intégré les données sur la marche et l'apprentissage automatique pour faire progresser les outils utilisés pour surveiller et prédire la progression de la maladie.

La sclérose en plaques peut se présenter de plusieurs façons chez les quelque deux millions de personnes qu'elle touche dans le monde, et les problèmes de marche sont un symptôme courant. Environ la moitié des patients ont besoin d'aide à la marche dans les 15 ans suivant leur apparition. Les chercheurs ont cherché à déterminer les interactions entre le vieillissement et les changements concomitants liés à la SEP et s'ils pouvaient différencier les deux chez les personnes âgées atteintes de SEP. Les techniques d'apprentissage automatique fonctionnent particulièrement bien pour repérer les changements complexes et cachés dans les performances.

À l'aide d'un tapis roulant instrumenté, l'équipe a recueilli des données sur la marche - normalisées en fonction de la taille corporelle et des données démographiques - auprès de 20 adultes atteints de SEP et de 20 adultes âgés sans SEP appariés en termes d'âge, de poids, de taille et de sexe. Les participants ont marché à un rythme confortable pendant 75 secondes maximum tandis qu'un logiciel spécialisé capturait les événements de marche, les forces de réaction au sol correspondantes et les positions du centre de pression au cours de chaque marche. L'équipe a extrait les caractéristiques spatiales, temporelles et cinétiques caractéristiques de chaque participant dans leurs foulées pour examiner les variations de la démarche au cours de chaque essai.

Les changements dans diverses caractéristiques de la marche, y compris une fonction de données appelée diagramme papillon, ont aidé l'équipe à détecter les différences dans les modèles de marche entre les participants. Le diagramme tire son nom de la courbe en forme de papillon créée à partir de la trajectoire répétée du centre de pression pour plusieurs foulées continues pendant la marche d'un sujet et est associé à des fonctions neurologiques critiques.

Les systèmes biomécaniques, tels que la marche, sont des systèmes mal modélisés, ce qui rend difficile la détection des problèmes en milieu clinique. La nouvelle méthode a extrait des conclusions à partir d'ensembles de données comprenant de nombreuses mesures de chaque individu, mais un petit nombre d'individus. Les résultats des travaux font des progrès significatifs dans le domaine des stratégies cliniques de prédiction des maladies basées sur l'apprentissage automatique.