Исследователи использовали технологии машинного обучения для разработки алгоритма, который преобразует данные с небольшого, легкого, водонепроницаемого носимого датчика, прикрепленного к пояснице, в точную оценку длины шага. Модель почти в четыре раза точнее, чем принятая в настоящее время биомеханическая модель.

Исследователи объясняют: «Длина шага — это чувствительный и неинвазивный показатель широкого спектра проблем, связанных со старением, снижением когнитивных способностей и многими неврологическими заболеваниями, такими как болезнь Паркинсона, болезнь Альцгеймера и рассеянный склероз. Наша модель позволяет осуществлять непрерывный мониторинг этого ключевого аспекта состояния пациента в повседневной жизни».

Исследователи из Тель-Авивского университета и медицинского центра имени Сураски в Ихилов (Тель-Авив) провели многопрофильное международное исследование, в котором была разработана инновационная модель на основе машинного обучения для точной оценки длины шага. Новая модель может быть интегрирована в носимое устройство , которое крепится (с помощью «кожной ленты») к пояснице и позволяет непрерывно отслеживать шаги в повседневной жизни пациента.

«Длина шага — чувствительный показатель широкого спектра проблем и заболеваний: от снижения когнитивных способностей и старения до болезни Паркинсона. Обычные измерительные приборы, существующие сегодня, стационарны и громоздки, их можно найти только в специализированных клиниках и лабораториях. Разработанная нами модель позволяет проводить точные измерения в естественной среде пациента в течение дня с помощью носимого датчика », — говорят исследователи.

Исследованием руководили Ассаф Задка, аспирант кафедры биомедицинской инженерии Тель-Авивского университета; профессор Джеффри Хаусдорф с кафедры физиотерапии факультета медицинских и санитарных наук и Школы нейронауки Сагол Тель-Авивского университета, а также с кафедры неврологии Тель-Авивского медицинского центра Сураски (TASMC); и профессор Нета Рабин с кафедры промышленной инженерии инженерного факультета Флейшмана Тель-Авивского университета.

В исследовании также приняли участие Эран Газит из TASMC, профессор Анат Мирельман с факультета медицинских и санитарных наук и Школы нейронаук Sagol в Тель-Авивском университете и TASMC, а также исследователи из Бельгии, Англии, Италии, Голландии и США. Исследование было поддержано Центром ИИ и науки о данных Тель-Авивского университета.

Статья с описанием исследования была опубликована в журнале npj Digital Medicine .

Профессор Хаусдорф, эксперт в области ходьбы, старения и неврологии, поясняет: «Длина шага — очень чувствительный и неинвазивный метод оценки широкого спектра состояний и заболеваний, включая старение, ухудшение состояния в результате неврологических и нейродегенеративных заболеваний, снижение когнитивных способностей, болезнь Альцгеймера, болезнь Паркинсона, рассеянный склероз и многое другое. Сегодня принято измерять длину шага с помощью устройств, имеющихся в специализированных лабораториях и клиниках, которые основаны на камерах и измерительных приборах, таких как коврики для ходьбы, чувствительные к силе нажатия».

«Хотя эти тесты точны, они дают только моментальный снимок походки человека, который, вероятно, не полностью отражает реальное функционирование. Например, на повседневную ходьбу могут влиять уровень усталости пациента, его настроение и принимаемые им лекарства. Непрерывный круглосуточный мониторинг, такой как тот, который обеспечивает эта новая модель длины шага, может зафиксировать это реальное поведение при ходьбе».

Экспериментальная установка. Кредит: npj Digital Medicine (2024). DOI: 10.1038/s41746-024-01136-2
Профессор Рабин, эксперт в области машинного обучения, добавляет: «Чтобы решить эту проблему, мы попытались задействовать системы IMU (инерциальных измерительных блоков) — легкие и относительно дешевые датчики, которые в настоящее время установлены в каждом телефоне и умных часах и измеряют параметры, связанные с ходьбой.

«В предыдущих исследованиях изучались носимые устройства на основе ИИБ для оценки длины шага, но эти эксперименты проводились только на здоровых людях без трудностей при ходьбе, основывались на небольшом размере выборки, что не позволяло делать обобщения, а сами устройства были неудобны для ношения, и иногда требовалось несколько датчиков.

«Мы стремились разработать эффективное и удобное решение, которое подошло бы людям с проблемами ходьбы, таким как больные и пожилые, и позволило бы количественно оценивать и собирать данные о длине шага в течение дня в привычной для пациента среде. Целью было разработать алгоритм, способный преобразовывать данные IMU в точную оценку длины шага, которую можно было бы интегрировать в носимое и удобное устройство».

Для разработки алгоритма исследователи использовали данные о походке, полученные с помощью датчика IMU, в дополнение к данным о длине шага, измеренным традиционным способом в предыдущем исследовании, от 472 субъектов с различными заболеваниями, такими как болезнь Паркинсона, людей с легкими когнитивными нарушениями, здоровых пожилых людей, а также молодых здоровых взрослых и людей с рассеянным склерозом. Таким образом была собрана точная и разнообразная база данных, состоящая из 83 569 шагов.

Исследователи использовали эти данные и методы машинного обучения для обучения ряда компьютерных моделей, которые переводили данные IMU в оценку длины шага. Чтобы проверить надежность моделей, исследователи затем определили, в какой степени различные модели могли точно анализировать новые данные, которые не использовались в процессе обучения — способность, известная как обобщение.

Задка говорит: «Мы обнаружили, что модель под названием XGBoost является наиболее точной и в 3,5 раза точнее самой передовой биомеханической модели, которая в настоящее время используется для оценки длины шага. Для одного шага средняя погрешность нашей модели составила 6 см — по сравнению с 21 см, прогнозируемыми традиционной моделью.

«Когда мы оценили среднее значение 10 шагов, мы получили погрешность менее 5 см — порог, известный в профессиональной литературе как «минимальное различие, имеющее клиническое значение», что позволяет определить значительное улучшение или ухудшение состояния субъекта. Другими словами, наша модель является надежной и устойчивой и может использоваться для анализа данных датчиков от субъектов, некоторые из которых испытывают трудности при ходьбе, которые не были включены в исходный обучающий набор».

Профессор Хаусдорф заключает: «В ходе наших исследований мы сотрудничали с исследователями из разных областей по всему миру, и междисциплинарные усилия привели к многообещающим результатам. Мы разработали модель машинного обучения, которую можно интегрировать с носимым и простым в использовании датчиком, который дает точную оценку длины шага пациента в повседневной жизни».

«Данные, собранные таким образом, позволяют осуществлять непрерывный, удаленный и долгосрочный мониторинг состояния пациента, а также могут быть использованы в клинических испытаниях для изучения эффективности лекарственных препаратов. Основываясь на наших обнадеживающих результатах, мы изучаем, можно ли разработать аналогичные модели на основе данных с датчиков в смарт-часах, что еще больше повысит комфорт субъекта».