Identification of appropriate artificial intelligence methods and indices for the interpretation of gait data in subjects with stroke - a systematic review
Registration number: VGFOUSA-188011
Projektmedel - Ny ansökan
Application started by: Jakob Wikström, 2011-03-17
Professional title at the time of application: Sjukgymnast
Work place at the time of application: Sjukgymnastiken (Rehab), EFRO
Last updated / corrected by: Annika Billhult, 2012-11-07
Application received by: FoU-rådet i Södra Älvsborg
Granted and completed

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

Denna ansökan är kopplad till följande andra ansökningar:

1. VGFOUSA-188011 : Identification of appropriate artificial intelligence methods and indices for the interpretation of gait data in subjects with stroke - a systematic review, Projektmedel - Ny ansökan
   Granted and completed
   application started: 2011-03-17 , Applicant: Jakob Wikström, Sjukgymnastiken (Rehab), EFRO
2. VGFOUSA-239431 : Identification of appropriate artificial intelligence methods for the interpretation of gait data in subjects with stroke - a systematic review, Projektmedel - Kompletteringsansökan
   Granted, reminder
   application started: 2011-11-01 , Applicant: Jakob Wikström, 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

Medarbetare / Handledare

Tutor

Aris Seferiadis
Sjukgymnast, Psykiatriska Sjukgymnastiken Björkängen

Projektets innehåll

Beräknad projektstart

2011-09-01

Beräknat projektslut

2012-03-01

Sammanfattning

Vuxna med stroke kan uppvisa en mängd olika gångavvikelser av varierande svårighetsgrad. Nedsatt gångförmåga till följd av stroke innebär en stor inskränkning av funktion och livskvalitet.

Gånganalys är av avgörande betydelse för att diagnosticera gångavvikelser, planera behandling samt utvärdera effekt av interventioner som syftar till att förbättra gångförmågan hos individer med stroke.

Från gånganalys genereras en stor mängd komplexa data vilket skapar ett "informationsöverskott" som försvårar tolkningen.

Inom andra medicinska områden används pattern recognition (mönsterigenkänning) för att underlätta klassificering (diagnostisering) och tolkning av stora mängder data.

Som komplement till klassificeringen kan ett index användas för att värdera gångavvikelsens svårighetsgrad. Ett siffervärde är lättare för en vårdgivare att förhålla sig till och underlättar uppföljning över tid.

Syftet med denna systematiska litteraturöversikt är att identifiera och kritiskt granska metoder för pattern recognition och indexberäkning som kan användas för automatiserad klassificering och gradering av gångpatologi vid stroke.

Nyckelord

Added MeSH terms

Gait

Manner or style of walking.

Movement

The act, process, or result of passing from one place or position to another. It differs from LOCOMOTION in that locomotion is restricted to the passing of the whole body from one place to another, while movement encompasses both locomotion but also a change of the position of the whole body or any of its parts. Movement may be used with reference to humans, vertebrate and invertebrate animals, and microorganisms. Differentiate also from MOTOR ACTIVITY, movement associated with behavior.

Locomotion

Movement or the ability to move from one place or another. It can refer to humans, vertebrate or invertebrate animals, and microorganisms.

Motor Activity

The physical activity of a human or an animal as a behavioral phenomenon.

Neural Networks (Computer)

A computer architecture, implementable in either hardware or software, modeled after biological neural networks. Like the biological system in which the processing capability is a result of the interconnection strengths between arrays of nonlinear processing nodes, computerized neural networks, often called perceptrons or multilayer connectionist models, consist of neuron-like units. A homogeneous group of units makes up a layer. These networks are good at pattern recognition. They are adaptive, performing tasks by example, and thus are better for decision-making than are linear learning machines or cluster analysis. They do not require explicit programming.

Pattern Recognition, Automated

In INFORMATION RETRIEVAL, machine-sensing or identification of visible patterns (shapes, forms, and configurations). (Harrod's Librarians' Glossary, 7th ed)

Classification

The systematic arrangement of entities in any field into categories classes based on common characteristics such as properties, morphology, subject matter, etc.

Severity of Illness Index

Levels of severity of illness within a diagnostic group which are established by various measurement criteria.

---

Bakgrund

Gånganalys beskrevs för första gången i ett verk av Aristoteles[1]. I modern tid har tekniska framsteg lett till det som idag är känt som 3-dimensionell gånganalys (GA).

GA är studien av mänsklig rörelse som syftar till att kvantifiera biomekaniska faktorer (rörelser, moment och effekt över leder) som styr nedre extremiteternas funktion under gång[2]. Datainsamling för GA görs vanligen med infraröda kameror som fångar kroppssegmentens rörelse, kraftplattor som mäter golvreaktionskraften och EMG som identifierar muskelarbete.

GA är av avgörande betydelse för att diagnosticera gångavvikelser, planera behandling samt utvärdera effekt av interventioner som syftar till att förbättra gångförmågan[2].

Enligt Baker[3] är syftet med att utföra klinisk GA följande:
1. Ställa diagnos
2. Utvärdera svårighetsgraden, utbredningen eller typ av skada/sjukdom
3. Följa skadans/sjukdomens utveckling med eller utan intervention
4. Förutse utfallet av intervention eller frånvaro av intervention

GA är särskilt användbart vid diagnosticering av komplicerade gångavvikelser hos patienter med neurologiska och ortopediska diagnoser. Traditionellt sett har GA främst använts på barn med cerebral pares.

Vuxna med stroke kan, liksom barn med CP, uppvisa en mängd olika gångavvikelser av varierande svårighetsgrad[4]. Nedsatt gångförmåga innebär begränsning av självständighet, förmåga till delaktighet och hälsorelaterad livskvalitet[5,6]. GA kan vara ett sätt att effektivisera deras rehabilitering. Stroke ökar i populationen och sjukvårdsbördan är betydande[7]

GA genererar en stor mängd komplexa data av olika slag[8,9]. En enskild avvikelse i en led i ett plan kan få konsekvenser i andra leder, andra plan under en annan fas av gångcykeln[5]. Idag tolkas GA av en expert vilket gör tolkningen i hög grad subjektiv, trots instrumentens goda mätprecision[3]. För närvarande finns ingen konsensus för hur gångdata ska tolkas. Tolkningen försvåras ytterligare av "informationsöverskottet" som är en följd av den stora datamängden.

Pattern recognition (mönsterigenkänning) används inom andra medicinska områden för att hantera och sortera stora mängder data. Mönsterigenkänningsalgoritmer syftar generellt till att ställa diagnos genom klassificering och matchning av indata den till den mest sannolika gruppen/typen[10]. Som exempel har pattern recognition använts på barn med CP-diagnos för att klassificera olika gångmönster inom diagnosgruppen[8].

För att värdera gångavvikelsens svårighetsgrad kan ett index användas som komplement till klassificeringen. Sådana sifferindex (t.ex. Gait Profile Score) kan beskriva individens gångavvikelse som ett avstånd från normalpopulationens gång. Siffervärdet är lättare för en vårdgivare att förhålla sig till och underlättar utvärderingen av gångavvikelsens svårighetsgrad över tid[11].

Syfte

Att identifiera och kritiskt granska metoder för pattern recognition och indexberäkning som kan användas för automatiserad klassificering och gradering av gångpatologi vid stroke.

Frågeställning / Hypotes /Teoretisk referensram

1. Vilka för- och nackdelar har olika sätt att klassificera gångpatologi?
2. Vilka metoder kan användas för klassificering av gångpatologi vid stroke?
3. Vilka för- och nackdelar har olika sätt att beräkna gångavvikelsens svårighetsgrad?
4. Vilka metoder kan användas för utvärdering av svårighetsgrad av gångpatologi vid stroke?

---

Metod: Urval

Vi kommer att använda fyra kriterier för att kontrollera en studies lämplighet att inkluderas i översikten:

1. Studien är publicerad i en peer-reviewed tidskrift
2. Studien innehåller information som kan besvara en av översiktens fyra frågeställningar
3. Studiens analys baseras på gångdata
4. Studien ska rapportera tillräcklig information att dess metodologiska kvalitet ska kunna granskas

Alla identifierade studier kommer att redovisas i ett diagram så att man kan följa om de har blivit exkluderade och varför.

Metod: Gruppindelning

Samtliga artiklar kommer att delas in i en av två ämneskategorier:

1. Artificial intelligence methods
2. Indices

Metod: Datainsamling

Datainsamlingen kommer att bestå av 4 steg:

1. Systematisk databassökning för att identifiera studier av relevans för frågeställningarna
2. Selektion av artiklar för att ingå i översikten
3. Granskning av metodologiska kvaliteten i varje studie
4. Kvalitativ tolkning och summering av resultaten

Den systematiska sökningen kommer innefatta databaserna Pubmed, Google Scholar, SCOPUS och ISI web of knowledge. Söktermerna är följande: gait analysis, signal processing, pattern recognition, feature extraction, decision support systems, automatic classification, automatic data processing, automatic severity assessment, gait pathology index, gait monitoring, extracting gait singatures, computational intelligence, human locomotion, self-organizing maps, diagnostic signatures, 3D-gait analysis, normalcy index, gait classification, gait patterns, clustering, exploratory data analysis, gait recognition, supervised/unsupervised machine learning. Vidare kommer relevanta referenser i varje hittad artikel efterforskas (reference-chaining) likaså artiklar som refererar till relevanta artiklar (citation searching). Personlig kontakt med experter inom gånganalys kommer att tas i ett försök att lokalisera opublicerade studier och förslag på studier.

Studiernas metodologiska kvalitet kommer att granskas av fyra separata granskare och summeras i blankettform i en granskningsmall. Det existerar idag inga granskningsmallar för denna typ av översiktsartikel. För att standardisera förfarandet kommer granskningen att så långt som möjligt utgå från Handbook of Health Research Methods[12].

Granskarna kommer att delas in i två grupper: sjukgymnaster och bioingenjörer med två medlemmar i varje grupp. Varje grupp kommer att lämna synpunkter på varje artikel ur sitt perspektiv. Oenigheter mellan studiegranskare kommer att diskuteras inom respektive grupp för att komma fram till konsensus. Data från studier sammanfattas i blanketter där info om studiernas karaktäristika läggs.

Metod: Databearbetning

Varje studies resultat kommer att sammanställas i en blankett tillsammans med en granskning av dess metodologiska kvalitet. Dessa blanketter utgör sedan grunden för tolkningen. Samtliga granskade studier kommer att tolkas och summeras genom en kvalitativ utvärdering.

Den kvalitativa utvärderingen av resultaten kommer att ske i helgrupp (samtliga fyra granskare) där alla artiklar sammanställs både ur sjukgymnast- och bioingenjörsperspektiv. Målsättningen är att kunna reflektera över relevans, användbarhet, styrkor och svagheter samt konsekvenser för varje metod eller index som hittas. Rekommendationer för utvecklingsområden kommer ges i slutet av artikeln.

---

Förväntat resultat / Klinisk betydelse

Traditionell tolkning av gångdata har lett till bättre behandlingsresultat inom barnortopedi[13]. Automatisk klassificering har visat sig lika bra eller t.o.m bättre än en erfaren kliniker[8] och skulle också kunna användas för stroke. Dessa metoder förväntas leda till liknande vinster för individer drabbade av stroke.

I dagsläget kan det vara svårt att värdera om det totalt sett har skett en förändring i patientens gång och på vilket sätt. Remissvar baserade på dessa nya metoder, som innehåller t.ex. sifferindex, kommer att vara lättare att förhålla sig till än ledvinklar, momentarmar och deskriptiva utlåtanden. Värdet av gånganalys kommer troligtvis att öka.

Resultaten från denna studie förväntas få positiva konsekvenser för gånganalys både nationellt och internationellt.

Projektets genusperspektiv

Gångdata från män och kvinnor analyseras alltid i jämförelse med normalpopulation av samma kön. Genusperspektiv är inte relevant för detta projekt.

Referenser

Tillstånd

Ethical review

Application to the ethical review board is NOT filed and will not be.

Motivation

Ansökan till etikprövningsnämnden är INTE gjord och planeras ej. Det är inte relevant på denna typ av studie.

---

Ekonomisk översikt och äskande

Budget och äskande

Ekonomisk sammanställning