Análisis de marcha impulsado por IA mejora detección temprana de problemas de movilidad en esclerosis múltiple

Monitorizar la progresión de problemas de marcha relacionados con esclerosis múltiple puede ser un desafío en adultos mayores de 50 años, requiriendo a un clínico diferenciar entre problemas relacionados con EM y otros problemas relacionados con la edad. Para abordar este problema, los investigadores integraron datos de marcha y aprendizaje automático para avanzar en las herramientas usadas para monitorizar y predecir la progresión de la enfermedad.

La esclerosis múltiple puede presentarse de muchas formas en los aproximadamente dos millones de personas que afecta globalmente, y los problemas para caminar son un síntoma común. Alrededor de la mitad de los pacientes necesitan asistencia para caminar dentro de 15 años del inicio. Los investigadores buscaron determinar las interacciones entre el envejecimiento y los cambios concurrentes relacionados con la enfermedad EM y si podían diferenciar entre los dos en adultos mayores con EM. Las técnicas de aprendizaje automático funcionan particularmente bien para detectar cambios complejos ocultos en el rendimiento.

Usando una cinta instrumentada, el equipo recopiló datos de marcha —normalizados por tamaño corporal y demografía— de 20 adultos con EM y 20 adultos mayores sin EM emparejados por edad, peso, altura y género. Los participantes caminaron a un ritmo cómodo por hasta 75 segundos mientras software especializado capturaba eventos de marcha, fuerzas de reacción del suelo correspondientes y posiciones de centro de presión durante cada caminata. El equipo extrajo las características espaciales, temporales y cinéticas características de cada participante en sus zancadas para examinar variaciones en la marcha durante cada prueba.

Cambios en varias características de la marcha, incluyendo una característica de datos llamada diagrama de mariposa, ayudaron al equipo a detectar diferencias en patrones de marcha entre participantes. El diagrama obtiene su nombre de la curva en forma de mariposa creada a partir de la trayectoria repetida de centro de presión para múltiples zancadas continuas durante la caminata de un sujeto y está asociado con funciones neurológicas críticas.

Los sistemas biomecánicos, como caminar, son sistemas mal modelados, lo que dificulta detectar problemas en un entorno clínico. El nuevo método extrajo conclusiones de conjuntos de datos que incluyen muchas mediciones de cada individuo pero un pequeño número de individuos. Los resultados del trabajo avanzan significativamente en el área de estrategias de predicción de enfermedades basadas en aprendizaje automático clínico.