Análise de Marcha Impulsionada por IA Melhora Detecção Precoce de Problemas de Mobilidade 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 clínico diferencie entre problemas relacionados à EM e outros problemas relacionados à idade. Para abordar este problema, pesquisadores integraram dados de marcha e machine learning para avançar as ferramentas usadas para monitorar e prever a progressão da doença.

A esclerose múltipla pode se apresentar de muitas maneiras nos aproximadamente dois milhões de pessoas que afeta globalmente, e problemas de caminhada são um sintoma comum. Cerca de metade dos pacientes precisa de assistência para caminhar dentro de 15 anos do início. Os pesquisadores buscaram determinar as interações entre envelhecimento e mudanças simultâneas relacionadas à doença EM e se poderiam diferenciar entre os dois em idosos com EM. Técnicas de machine learning funcionam particularmente bem em detectar mudanças complexas e ocultas no desempenho.

Usando uma esteira instrumentada, a equipe coletou dados de marcha — normalizados para tamanho corporal e demografia — de 20 adultos com EM e 20 idosos sem EM pareados por idade, peso, altura e gênero. Os participantes caminharam em um ritmo confortável por até 75 segundos enquanto software especializado capturou 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 características de cada participante em suas passadas para examinar variações na marcha durante cada tentativa.

Mudanças em várias características de marcha, incluindo uma característica de dados chamada diagrama de borboleta, ajudaram a equipe a detectar diferenças nos padrões de marcha entre participantes. O diagrama ganha seu nome da curva em forma de borboleta criada a partir da trajetória repetida do centro de pressão para múltiplas passadas contínuas durante a caminhada de um sujeito e está associado a funções neurológicas críticas.

Sistemas biomecânicos, como caminhar, são sistemas mal modelados, tornando difícil detectar 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 avanço significativo na área de estratégias de previsão de doenças baseadas em machine learning clínico.