Aprendizado de máquina ajuda a detectar problemas de marcha em pacientes com esclerose múltipla

Monitorar a progressão de problemas de marcha relacionados à esclerose múltipla pode ser desafiador em adultos com mais de 50 anos, exigindo que um médico diferencie problemas relacionados à EM e outros problemas relacionados à idade. Para resolver esse problema, os pesquisadores integraram dados de marcha e aprendizado de máquina para aprimorar as ferramentas usadas para monitorar e prever a progressão da doença.

A esclerose múltipla pode se apresentar de várias maneiras nos cerca de dois milhões de pessoas que afeta globalmente, e problemas de locomoção são um sintoma comum. Cerca de metade dos pacientes precisa de assistência para caminhar dentro de 15 anos após o início. Os pesquisadores procuraram determinar as interações entre o envelhecimento e as mudanças concomitantes relacionadas à esclerose múltipla e se eles poderiam diferenciar entre os dois em adultos mais velhos com esclerose múltipla. As técnicas de aprendizado de máquina funcionam particularmente bem para identificar mudanças ocultas complexas no desempenho.

Usando uma esteira instrumentada, a equipe coletou dados de marcha - normalizados para tamanho corporal e demografia - de 20 adultos com esclerose múltipla e 20 idosos sem esclerose múltipla de idade, peso, altura e sexo. Os participantes caminharam em um ritmo confortável por até 75 segundos, enquanto um software especializado capturava eventos de marcha, forças de reação do solo correspondentes e posições do centro de pressão durante cada caminhada. A equipe extraiu as características espaciais, temporais e cinéticas de cada participante em seus passos para examinar as variações na marcha durante cada tentativa.

Mudanças em vários recursos de marcha, incluindo um recurso de dados chamado diagrama de borboleta, ajudaram a equipe a detectar diferenças nos padrões de marcha entre os participantes. O diagrama ganha o nome da curva em forma de borboleta criada a partir da trajetória repetida do centro de pressão para vários passos contínuos durante a caminhada de um sujeito e está associado a funções neurológicas críticas.

Sistemas biomecânicos, como andar, são sistemas mal modelados, dificultando a identificação de problemas em um ambiente clínico. O novo método extraiu conclusões de conjuntos de dados que incluem muitas medições de cada indivíduo, mas um pequeno número de indivíduos. Os resultados do trabalho fazem avanços significativos na área de estratégias clínicas de previsão de doenças baseadas em aprendizado de máquina.