1. Översiktlig projektbeskrivning

Engelsk titel

Exploratory data analysis of gait data from patients with stroke

Sammanfattning av projektet

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.

Typ av projekt

Forskningsprojekt

MeSH-termer för att beskriva ämnesområdet

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.

Projektets delaktighet i utbildning

Avhandling
D-uppsats / Magisterexamen
C-uppsats / Kandidatexamen
ST-läkarutbildning
Annan utbildning
Ej del i utbildning

Registrering i andra projektdatabaser

VGFOUSA-262911

2. Projektorganisation och finansiering

Arbetsplatser involverade i projektet

Added workplaces

Landsting - Västra Götalandsregionen - Specialiserad vård - Södra Älvsborgs sjukhus (SÄS)

Sjukgymnastiken (Rehab), EFRO

Ekonomiska stöd till projektet

3. Processen och projektets redovisning

Pågående aktiviteter

Planering och förberedelse före datainsamling
Datainsamling pågår
Analys av insamlade data pågår
Författande av skriftlig redovisning / publikation pågår
En eller flera publikationer från projektet är publicerade
Slutfört och inget mer görs inom ramen för detta projekt

Projektstart (när planeringen påbörjas och börjar dokumenteras skriftligt)

2012-03-31

Datum för påbörjande av datainsamling

2012-08-20

Datum då projektet är slutrapporterat

2013-08-20

4. Detaljerad projektbeskrivning

Bakgrundsbeskrivning

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 / Hypoteser

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: Gruppindelning

Inte relevant för denna typ av studie.

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++.

Referenser