Analyse de marche pilotée par IA améliore la détection précoce des problèmes de mobilité chez les patients sclérose en plaques

Surveiller la progression des problèmes de marche liés à la sclérose en plaques (SEP) peut être difficile chez les adultes de plus de 50 ans, nécessitant un clinicien pour différencier entre les problèmes liés à la SEP et d'autres problèmes liés à l'âge. Pour adresser ce problème, les chercheurs ont intégré des données de marche et apprentissage machine pour faire avancer les outils utilisés pour surveiller et prédire la progression de la maladie.

La sclérose en plaques peut se présenter de nombreuses façons chez les environ deux millions de personnes qu'elle affecte globalement, et les problèmes de marche sont un symptôme courant. Environ la moitié des patients ont besoin d'assistance à la marche dans les 15 ans suivant l'apparition. Les chercheurs ont cherché à déterminer les interactions entre le vieillissement et les changements concurrents liés à la maladie SEP et s'ils pouvaient différencier les deux chez les adultes plus âgés avec SEP. Les techniques d'apprentissage machine fonctionnent particulièrement bien pour repérer des changements complexes cachés dans la performance.

En utilisant un tapis roulant instrumenté, l'équipe a collecté des données de marche — normalisées pour la taille corporelle et la démographie — de 20 adultes avec SEP et 20 adultes plus âgés sans SEP appariés par âge, poids, taille et genre. Les participants ont marché à un rythme confortable pendant jusqu'à 75 secondes tandis qu'un logiciel spécialisé capturait les événements de marche, les forces de réaction au sol correspondantes, et les positions du centre de pression pendant chaque marche. L'équipe a extrait les caractéristiques spatiales, temporelles et cinétiques caractéristiques de chaque participant dans leurs foulées pour examiner les variations de marche pendant chaque essai.

Des changements dans diverses caractéristiques de marche, y compris une caractéristique de données appelée le diagramme papillon, ont aidé l'équipe à détecter des différences dans les patterns de marche entre 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, comme la marche, sont des systèmes mal modélisés, rendant difficile de repérer des problèmes en milieu clinique. La nouvelle méthode a extrait des conclusions d'ensembles de données qui incluent de nombreuses mesures de chaque individu mais un petit nombre d'individus. Les résultats du travail font une avancée significative dans le domaine des stratégies de prédiction de maladie basées sur l'apprentissage machine clinique.