Exploratory data analysis of gait data from patients with stroke
Registration number: VGFOUSA-262911
Projektmedel - Ny ansökan
Application started by: Jakob Wikström, 2012-03-14
Professional title at the time of application: Sjukgymnast
Work place at the time of application: Sjukgymnastiken (Rehab), EFRO
Last updated / corrected by: Jakob Wikström, 2012-03-31
Application received by: FoU-rådet i Södra Älvsborg
Granted

Applicant: Jakob Wikström
Sjukgymnast, Sjukgymnastiken (Rehab), EFRO

Övergripande projektinformation

Aktuell arbetstid - timmar per vecka

40

Hur långt har projektet framskridit?

Nystartat projekt (datainsamling ej påbörjad)

Del i utbildning

Ej del i utbildning

Multicenterstudie

Endast den förvaltning jag arbetar vid är inblandad

Planerad redovisning

Engelskspråkig vetenskaplig artikel

Projektets vetenskapsområde

Alternativmedicin
Folkhälsovetenskap
Medicin
Odontologi
Vårdvetenskap

Sökanden kommer att bli förstaförfattare på ev publikationer.

Ja

Medarbetare / Handledare

Tutor

Aris Seferiadis
Sjukgymnast, Psykiatriska Sjukgymnastiken Björkängen

Projektets innehåll

Beräknad projektstart

2012-08-20

Beräknat projektslut

2013-08-20

Sammanfattning

Tredimensionell gånganalys (GA) används ofta för att kartlägga och analysera orsaken strokepatienters gångavvikelser i syfte att skräddarsy behandlingsinsatserna.

Vid GA genereras en stor mängd data av varierande slag och av komplex karaktär. Tolkningen av datan utförs av en expert genom visuell granskning av grafer. På grund av datamängden och komplexiteten är analysarbetet tidskrävande och analysresultatet får i viss mån anses subjektivt.

Tidigare forskning har visat den potentiella nyttan av användnandet av sofistikerade Artificiell Intelligens-metoder (AI) för att analysera gångdata från strokepatienter. AI-metoder är till sin natur väl lämpade att hantera stora datamängder för att utvinna användbar information och upptäcka mönster i datan som för en människa inte är uppenbara. En pågående litteraturstudie från vår grupp har dock visat att tillämpningen av dessa metoder i de granskade studierna är på en mycket grundläggande nivå. Dessutom har man endast använt teknikerna var för sig.

Vi kommer i denna studie att explorativt kombinera AI-metoderna dimensionsreduktion och klustertekniker i syfte att snabbare få valid och lättillgänglig information om gångpatologins natur samt att få ett objektivt mått på gångpatologins svårighetsgrad. Dimensionsreduktion kommer att användas för att kondensera relevant information ifrån tredimensionell gångdata ner i ett mer kompakt och lättöverskådligt format (2 eller 3 dimensioner). Klustertekniker kommer att användas för att utforska ett stickprov av patienter med stroke i syfte att identifiera eventuella grupper som uppvisar liknande gångpatologi inom diagnosen stroke.

Denna studie är ett första steg i vårt långsiktiga mål att underlätta och förbättra tolkning av GA-data från patienter med stroke.

Nyckelord

Added MeSH terms

Gait

Manner or style of walking.

Stroke

A group of pathological conditions characterized by sudden, non-convulsive loss of neurological function due to BRAIN ISCHEMIA or INTRACRANIAL HEMORRHAGES. Stroke is classified by the type of tissue NECROSIS, such as the anatomic location, vasculature involved, etiology, age of the affected individual, and hemorrhagic vs. non-hemorrhagic nature. (From Adams et al., Principles of Neurology, 6th ed, pp777-810)

Computing Methodologies

Computer-assisted analysis and processing of problems in a particular area.

Artificial Intelligence

The study and implementation of techniques and methods for designing computer systems to perform functions normally associated with human intelligence, such as understanding language, learning, reasoning, problem solving, etc.

---

Bakgrund

Nedsatt gångförmåga till följd av stroke innebär en stor inskränkning av funktion och livskvalitet[1,2]. Dessutom kan gångavvikelsernas karaktär och svårighetsgrad variera kraftigt mellan olika patienter [3].

Klinisk gånganalys (GA) används för att diagnosticera gångavvikelser och dess orsak, planera behandling samt utvärdera effekt av interventioner som syftar till att förbättra gångförmågan hos individer med stroke.

GA genererar en stor mängd komplex data av olika slag. En enskild avvikelse i en led i ett plan kan få konsekvenser i andra leder, andra plan under en annan fas av gångcykeln [4]. Komplexiteten och "informationsöverskottet", som är en följd av den stora datamängden, försvårar bedömning av svårighetsgrad, utbredning, förlopp och typ av gångpatologi [5].

Idag tolkas GA-data av en expert genom visuell inspektion av grafer. För närvarande finns heller ingen konsensus för hur tolkningen ska göras. Sammantaget gör detta tolkningen svår och i hög grad subjektiv, trots instrumentens goda mätprecision [5].

Artificiell Intelligens (AI) erbjuder lösningar som lämpar sig väl för att minska mängden data som ska tolkas och begränsa subjektiviteten [6,7,8]. AI har tillämpats framgångsrikt i andra områden för att översätta rådata till användbar information, förbättra tolkning av data samt upptäcka underliggande mönster och samband [9,10,11].

I en pågående litteraturstudie granskar vi artiklar där AI använts vid tolkning av GA-data från patienter med stroke. Våra resultat samt en granskning av AI som använts för att studera gång vid andra diagnoser (primärt cerebral pares) [4,12,13], visar att dimensionsreduktions-metoder (DR) och klustermetoder (KM) uppvisar störst potential att förenkla tolkningen av GA från patienter med stroke [14]. Det finns dock brister i hur metoderna hittills tillämpats.

Tillämpningen av KM uppvisar 3 problem: 1) små stickprov begränsar möjligheten att dra säkra slutsatser av resultaten. 2) jämförelser mellan metoder i olika studier försvåras av skillnader i val av parametrar (features) till KM-algoritmerna. 3) ingen av studierna har utvärderat valitiditet och klinisk betydelse i de kluster som identifierats.

Tillämpningen av DR har följande brister: 1) ingen har använt metoder som antar icke-linjära samband mellan berörda parametrar. Metoder för linjära samband är ofta lätta att applicera, men naturliga fenomen såsom gång uppvisar sällan sådana samband. 2) ingen har testat flera DR-tekniker för att bedöma vilken som är lämpligast. 3) ingen DR är testad på strokepatienter. 4) metoderna som använts reducerar flerdimensionell data till ett index (en dimension). Ett index är en radikal förenkling och vi anser att ett antal index som fångar olika aspekter av gångpatologi skulle kunna användas för att nå en mer kompakt men ändå beskrivande tolkning. Movement Deviation Profile av Barton et al. är ett mycket bra exempel på ett mellanting av den ursprungliga flerdimensionella datan och ett enda sifferindex [15].

Sammanfattningsvis har AI metoder potential att förenkla bedömning av gångpatologins svårighetsgrad, utbredning och förlopp men tillämpningen har hittills varit bristfällig och kan förbättras.

Syfte

Utveckla verktyg som underlättar tolkningen av GA som kan beskriva svårighetsgrad och lokalisering av gångavvikelse med hjälp av en alternativ representation av konventionella rörelsegrafer. Dessa verktyg kommer att bygga på kombinationer av dimensionsreduktion och klustringsmetoder för att generera kvantitativa mått på gångkvalitet (index) och undersöka om det finns välformade och kliniskt relevanta kluster av patienter med liknande gångpatologi vid stroke.

Frågeställning / Hypotes /Teoretisk referensram

Kan vi kondensera informationen i gångdata till ett antal index / koefficienter som beskriver gångpatologi efter stroke?

Kan vi ge en alternativ presentation/visualisering av gångpatologi på ett annat sätt än de två extrema alternativen av att antingen visa den fullständiga rörelsebanan eller endast visa ett enda index?

Hur valida är dessa index? Kan de användas för bedömning av gångpatologi hos patienter vars data kommer från andra gånglaboratorier?

Kan vi identifiera grupper/kluster av patienter i stickprovet om vi använder dimensionsreduktion?

---

Metod: Urval

Gång- och rörelselaboratoriet tar kontinuerligt emot remisser på patienter som drabbats av stroke. Svårighetsgraden av gångpatologin hos dessa patienter varierar och de flesta har problem med spasticitet. Gemensamt för alla patienter är att de klarar att gå en sträcka på 10 m upprepade gånger med eller utan yttre stöd eller gånghjälpmedel.

Redan insamlade data från samtliga patienter diagnostiserade med stroke som genomgått gånganalys från 2006 t.o.m studiens start kommer att användas. Ytterligare patienter som remitteras under tiden studien pågår kommer att tillfrågas om deltagande.

Eftersom studien avser att förbättra analysarbetet som redan utförs på vårt laboratorium kommer inga patienter exkluderas.

Metod: Gruppindelning

Inte relevant för denna typ av studie.

Metod: Intervention

Inte relevant för denna typ av studie.

Metod: Datainsamling

Datainsamling görs med hjälp av mätutrustningen på Gång- och Rörelselaboratoriet.

Rörelsedata (kinematik) mäts genom att följa 18 retroreflektiva markörer mha 12 infraröda kameror (Qualisys pro-reflex MCU240) med en bildfrekvens på 120-240 Hz. Markörerna placeras på anatomiska landmärken på kroppen enligt Lundberg skin-marker model för att definiera kroppssegment. Segmenten är bål, bäcken, lår, underben och fot. Patienterna ombeds gå 10 meter på en markerad bana medan kamerorna följer markörernas rörelse i tre dimensioner: sagittal-, frontal- och transversalplan.

Inbäddade i gångbanan är två kraftplattor (AMTI BP400800-6-1000) som mäter golvreaktionskraft i tre dimensioner. Moment och effekt (kinetik) beräknas utifrån golvreaktionskraftens storlek och riktning i förhållande till de definierade kroppsegmenten.

Samtidigt sker en videoupptagning med hjälp av 2 st digitala videokamreror (Sony Handycam DCR-HC17E) som används för att säkerställa att inmätt rörelsedata är representativ för patientens gångmönster.

Datan samlas in via Qualisys Track Manager (v2.6 Build 682) och skickas sedan vidare till analysprogrammet Visual3D standard (v4.93.0) där kinematiska och kinetiska data beräknas.

Metod: Databearbetning

Flera metoder kommer att användas eftersom studien är till sin natur explorativ.

Första steget kommer att vara en bearbetning av kinematiken med tekniker för dimensionsreduktion kombinerat med klustermetoder.

De linjära metoderna Principal Component Analysis (PCA) och non-negative matrix factorization (NNMF) samt de icke-linjära metoderna Self-Organizing Maps (SOM) och Kernel PCA kommer att användas för att omvandla de ursprungliga data från ett högdimensionellt rum (flera frihetsgrader) till ett med färre dimensioner, helst 2 eller 3. Informationen ska kunna presenteras i en enda graf. I det lågdimensionella rummet kommer avancerade klustermetoder att testas för att undersöka om kompakta och meningsfulla kluster av patienter existerar.

Analysen i nästa steg kommer att testa olika metoder för att hitta den som bäst fångar den potentiella underliggande strukturen i de analyserade data. Förutom k-means algoritmer kommer hierarkiska algoritmer samt metoder som är beroende av datans densitet (ex.vis. DBSCAN) att användas.

Eftersom alla metoderna är explorativa till sin natur finns det inget självklart sätt att göra jämförelser mellan dem. Relativ validering kommer därför att användas för att välja den bästa konfigurationen inom varje metod. Relativ validering innebär en värdering av klustrets struktur genom att jämföra det mot alternativa klusteruppsättningar som produceras av samma algorithm med andra värden i algorithmens parametrar. Värdet som presterar bäst på varje metods validitetsmått väljs som mest lämplig.

Klustertendens (att ta reda på om en klusterstruktur existerar eller inte) kommer att genomflras med bootstrap statistiska tester.

Expertkunskap kommer att tas i bruk för att bedöma den medicinska giltigheten av slutsatserna i slutet av processen.

Vi kommer även att tillämpa algorithmerna på ett stickprov från ett annat lab för att bekräfta validiteten.

Analys görs i Matlab2009b. Behövs ökad beräkningskraft, kommer rutinerna att kodas i C++.

---

Förväntat resultat / Klinisk betydelse

Ett lyckat resultat av detta projekt kommer att lägga grunden för en mer effektiv presentation och värdering av gångpatologi vid stroke. Denna studie kommer generera ett kliniskt användbart resultat genom automatiserad utvinning av information. Tidsåtgången för analys kommer därmed att förkortas och behandlingars effekt på gångfunktion kommer lättare kunna utvärderas.

Denna studie är ett viktigt och nödvändigt första steg som syftar till att förbättra den deskripitiva delen av GA. Dvs, att snabbare nå en reliabel beskrivning av stroke-gång. Den kliniska relevansen av den deskriptiva delen av GA kommer också att öka genom en validering av att de typer av patologi som upptäcks faktiskt existerar.

Det övergripande syftet, att bygga hypoteser om bakomliggande orsaker till den beskrivna gången, kommer att kräva ytterligare forskning.

Projektets genusperspektiv

Genus-perspektiv är inte relevant för denna typ av studie.

Publication

Tillstånd

Ethical review

Application to the ethical review board is filed or being planned

Reference number from the ethical review board

Ansökan till etikprövningsnämnden planeras.

Approval from the ethical review board is required for funds to be disbursed

---

Tillstånd andra myndigheter

Inte relevant för denna typ av studie.

Ekonomisk översikt och äskande

Budget och äskande