El aprendizaje automático ayuda a detectar problemas de marcha en pacientes con esclerosis múltiple

Monitorear la progresión de los problemas de la marcha relacionados con la esclerosis múltiple puede ser un desafío en adultos mayores de 50 años, lo que requiere que un médico diferencie entre los problemas relacionados con la EM y otros problemas relacionados con la edad. Para abordar este problema, los investigadores integraron datos de marcha y aprendizaje automático para mejorar las herramientas utilizadas para monitorear y predecir la progresión de la enfermedad.

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

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

Los cambios en varias características de la marcha, incluida una característica de datos llamada diagrama de mariposa, ayudaron al equipo a detectar diferencias en los patrones de marcha entre los participantes. El diagrama obtiene su nombre de la curva en forma de mariposa creada a partir de la trayectoria repetida del 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 la detección de problemas en un entorno clínico. El nuevo método extrajo conclusiones de conjuntos de datos que incluyen muchas medidas de cada individuo pero un pequeño número de individuos. Los resultados del trabajo suponen un avance significativo en el área de las estrategias de predicción de enfermedades basadas en el aprendizaje automático clínico.