Auf maschinellem Lernen basierende Schätzung des dynamischen Gleichgewichts und der Ganganpassungsfähigkeit bei Personen mit neurologischen Erkrankungen mithilfe von Inertialsensoren

Wissenschaftliche Berichte Band 13, Artikelnummer: 8640 (2023) Diesen Artikel zitieren

507 Zugriffe

2 Altmetrisch

Details zu den Metriken

Ein schlechtes dynamisches Gleichgewicht und eine beeinträchtigte Ganganpassung an unterschiedliche Kontexte sind Kennzeichen von Menschen mit neurologischen Störungen (PwND), die zu Schwierigkeiten im täglichen Leben und einem erhöhten Sturzrisiko führen. Eine häufige Beurteilung des dynamischen Gleichgewichts und der Ganganpassungsfähigkeit ist daher unerlässlich, um die Entwicklung dieser Beeinträchtigungen und/oder die langfristigen Auswirkungen der Rehabilitation zu überwachen. Der modifizierte dynamische Gangindex (mDGI) ist ein validierter klinischer Test, der sich speziell der Bewertung von Gangaspekten im klinischen Umfeld unter Aufsicht eines Physiotherapeuten widmet. Die Notwendigkeit einer klinischen Umgebung schränkt daher die Anzahl der Beurteilungen ein. Tragbare Sensoren werden zunehmend zur Messung des Gleichgewichts und der Fortbewegung im realen Kontext eingesetzt und können eine Erhöhung der Überwachungshäufigkeit ermöglichen. Ziel dieser Studie ist es, einen vorläufigen Test dieser Möglichkeit bereitzustellen, indem verschachtelte, kreuzvalidierte Regressoren für maschinelles Lernen verwendet werden, um die mDGI-Werte von 95 PwND anhand von Trägheitssignalen vorherzusagen, die aus kurzen stationären Gehrunden gesammelt wurden, die aus dem 6-Minuten-Gehtest abgeleitet wurden. Es wurden vier verschiedene Modelle verglichen, eines für jede Pathologie (Multiple Sklerose, Parkinson-Krankheit und Schlaganfall) und eines für die gepoolte multipathologische Kohorte. Modellerklärungen wurden anhand der leistungsstärksten Lösung berechnet. Das auf der multipathologischen Kohorte trainierte Modell ergab einen mittleren (Interquartilbereich) absoluten Testfehler von 3,58 (5,38) Punkten. Insgesamt lagen 76 % der Vorhersagen innerhalb der minimal erkennbaren Änderung des mDGI von 5 Punkten. Diese Ergebnisse bestätigen, dass stationäre Gehmessungen Informationen über das dynamische Gleichgewicht und die Ganganpassungsfähigkeit liefern und Ärzten dabei helfen können, wichtige Merkmale zu identifizieren, die während der Rehabilitation verbessert werden können. Zukünftige Entwicklungen umfassen das Training der Methode durch kurze stationäre Gehübungen in realen Umgebungen, die Analyse der Machbarkeit dieser Lösung zur Intensivierung der Leistungsüberwachung, die sofortige Erkennung von Verschlechterungen/Verbesserungen und die Ergänzung klinischer Bewertungen.

Gesunde Menschen gewöhnen sich leicht an Umwelteinflüsse: Sie erholen sich von äußeren Impulsen und lernen die Dynamik des Gehens in verschiedenen Kontexten. Die Fortbewegung erfordert eine kontinuierliche Modulation der Koordination innerhalb und zwischen den Gliedmaßen, um das Gleichgewicht während des Fortschreitens aufrechtzuerhalten und den Anforderungen aus der realen Umgebung gerecht zu werden (z. B. Übergang vom geraden Gehen zum Gehen über ein Hindernis)1. Um dieses Ziel zu erreichen, nutzt das Zentralnervensystem die sensomotorische Kontrolle, die visuelle, propriozeptive und vestibuläre sensorische Eingaben übermittelt und integriert, um Abweichungen von der aufrechten Haltung zu erkennen und die entsprechende Muskelreaktion zur Korrektur dieser Abweichungen zu erzeugen1, 2. Weil das sensomotorische Feedback verändert wird Bei Personen mit neurologischen Störungen (PwND) sind das dynamische Gleichgewicht (d. h. die Fähigkeit, beim Bewegen des Körpers das Gleichgewicht zu halten) und seine Anpassungsfähigkeit an Umweltveränderungen beeinträchtigt3, was zu einem hohen Sturzrisiko führt. Tatsächlich sind Gangstörungen und Gleichgewichtsstörungen die häufigsten Prädiktoren für Stürze4. Daher wurden viele Instrumente zur dynamischen Gleichgewichtsbewertung entwickelt, darunter klinische Skalen5, quantitative Gangmarker6, Posturographie7, Sturzpräventionsprotokolle8 sowie Einzel- und Doppelaufgabentests9. In Bezug auf klinische Skalen gehören die Berg-Gleichgewichtsskala10, der MiniBESTest10, das Timed Up and Go (TUG)11 und der modifizierte dynamische Gangindex (mDGI)12, 13 zu den in der klinischen Praxis am häufigsten verwendeten Skalen zur Messung des Gleichgewichts bei PwND. Im Vergleich zur Berg-Skala, die das dynamische Gleichgewicht während der Fortbewegung nicht bewertet, und TUG und MiniBESTest, die diesen Aspekt in wenigen funktionalen Aufgaben bewerten (d. h. eine Aufgabe in TUG und fünf Aufgaben in MiniBESTest), ist die mDGI speziell darauf ausgerichtet Messung der Fähigkeit einer Person, ihr Gleichgewicht zu halten und ihren Gang angesichts verschiedener Umweltanforderungen anzupassen, was für die Durchführung alltäglicher Bewegungsaktivitäten ohne Stürze unerlässlich ist. Der mDGI bewertet acht Facetten des Gangs; Es bewertet Entfernung, Zeit, Umgebung, Gelände, körperliche Belastung, Aufmerksamkeit und Haltungsveränderungen, die repräsentativ für die Umweltanforderungen eines gehenden Menschen sind. Die höchstmögliche Punktzahl beim mDGI beträgt 64 Punkte. Der mDGI wurde umfassend bei Patienten mit Mobilitätseinschränkungen14, 15 und in verschiedenen pathologischen Kohorten wie Schlaganfall (ST), Vestibulardysfunktion, Multipler Sklerose (MS), traumatischen Hirnverletzungen und Parkinson-Krankheit (PD)12, 13 validiert. Torchio et al. lieferte Grenzwerte zur Identifizierung von PwND mit keinem oder minimalem Sturzrisiko (mDGI-Score \(\le 49\)) und PwND mit hohem Sturzrisiko (mDGI-Score \(\le 29\))16. Die minimal erkennbare Änderung des mDGI beträgt 5 Punkte in PwND14, 15.

Eine frühere Studie der acht Elemente des mDGI ergab eine starke Korrelation zwischen dem mDGI-Score und instrumentell abgeleiteten Indizes17, was darauf hindeutet, dass kinematische Determinanten das dynamische Gleichgewicht vorhersagen können. Trotz dieser ermutigenden Ergebnisse wird die Beurteilung des Gleichgewichts und der Ganganpassung an unterschiedliche Umgebungen immer noch nur von Fachpersonal im klinischen Umfeld durchgeführt und erfordert spezielle Hilfsmittel wie Hindernisse oder Treppen. Solche Anforderungen begrenzen wiederum die Anzahl der möglichen Beurteilungssitzungen, während eine häufige Überwachung die möglichen Veränderungen, die durch den Pathologieverlauf oder Rehabilitations-/pharmakologische Interventionen verursacht werden, besser verfolgen könnte. In diesem Zusammenhang besteht die Möglichkeit, das dynamische Gleichgewicht und die Anpassungsfähigkeit des Bewegungsapparats mithilfe tragbarer Sensoren während wiederholter kurzer (z. B. 10 Schritte) stationärer Gehübungen vorherzusagen, die auch von PwND problemlos im täglichen Leben durchgeführt werden können (z. B. während eines Spaziergangs allein oder mit einer Pflegekraft). , wäre ein erster Schritt zur Erhöhung der Überwachungshäufigkeit und würde die regelmäßigen klinischen Bewertungen ergänzen18, 19.

Als vorläufiger Test dieser Möglichkeit implementierte diese Studie ein interpretierbares Modell für maschinelles Lernen (ML), das auf den mDGI-Score abzielt, indem es Trägheitsmesseinheiten (IMUs) verwendet, um Daten während kurzer stationärer Gehphasen eines 6-Minuten-Gehtests (6MWT) zu sammeln ). Nachdem wir den Zusammenhang zwischen instrumentellen Variablen und dem mDGI-Score statistisch bestätigt hatten, stellten wir die Hypothese auf, dass auf solchen Variablen basierende ML-Modelle das dynamische Gleichgewicht und die Ganganpassungsfähigkeit (d. h. mDGI-Scores) bei PwND, einschließlich Multipler Sklerose (MS), Parkinson-Krankheit (PD), vorhersagen können. oder Schlaganfall (ST). Sollte sich diese Hypothese bestätigen, könnten die Ergebnisse der vorliegenden Studie einen klaren Ausgangspunkt für die Beurteilung der Umsetzbarkeit dieses Ansatzes im täglichen Leben bieten. Determinanten der zeitlichen Aspekte des Gangs, Intensität, Geschmeidigkeit, Stabilität, Symmetrie und Regelmäßigkeit wurden aus einem 3-IMU-Aufbau extrahiert. Anschließend wurde eine regulierte Elastic-Net (EN)-Regression unter Verwendung eines verschachtelten Kreuzvalidierungsansatzes entwickelt. Diese Pipeline wurde für die multipathologische Kohorte (MP) und die einzelnen Pathologiekohorten (SP\(_{MS}\), SP\(_{PD}\) und SP\(_{ST}\)) wiederholt. . Darüber hinaus haben wir das leistungsstärkste Lösungsmodell mit einer auf Shapley-Werten basierenden Erklärbarkeitstechnik integriert (SHapley Additive exPlanations, SHAP20, 21).

Die gepoolte Kohorte – 95 PwND, F = 43, mittleres Alter = 60 Jahre [IQR = 19] – ergab einen mittleren 6MWT-Score von 346 m [IQR = 21] und einen mittleren mDGI von 46 Punkten [IQR = 21] (Tabelle 1). Für die MS-, PD- und ST-Gruppen betrug die mittlere Krankheitsdauer 19, 4 bzw. 7 Jahre. Der mittlere 6MWT betrug 316 [IQR = 182], 332 [IQR = 194] und 372 [IQR = 152] m, und der mittlere mDGI-Score betrug 40 [IQR = 21], 46 [IQR = 29] und 50 [IQR = 14] bzw. Nach den von Torchio et al.16 definierten Grenzwerten hatten 39 der 95 Teilnehmer (41 %) ein niedriges/minimales Sturzrisiko (mDGI-Score > 49), während 17 (18 %) ein hohes Sturzrisiko (mDGI) hatten Partitur \(\le\) 29). Die Anzahl (Prozentsatz) der Personen mit geringem/minimalem Sturzrisiko betrug 18 (35 %) für MS, 17 (59 %) für IPS und 4 (27 %) für die ST-Gruppe. Die Anzahl (Prozentsatz) der Personen mit hohem Sturzrisiko betrug 7 (14 %) für MS, 3 (10 %) für IPS und 4 (27 %) für die ST-Gruppe.

Die vorläufige univariate Spearman-Korrelation zeigte, dass der 6MWT signifikant mit dem mDGI (\(p < 0,001\)) für die gepoolten und die einzelnen Kohorten assoziiert war (Tabelle 2). In der gepoolten Kohorte führten längere Schrittlängen und doppelte Unterstützungszeiten zu einem Rückgang des mDGI. Ein positiver Zusammenhang mit dem dynamischen Gleichgewicht wurde für die Schwung- und Einzelunterstützungszeit gefunden. Die gleichen Trends wurden in den MS- und PD-Gruppen festgestellt. Umgekehrt zeigte die ST-Gruppe dieses Verhalten nur für \(T_{d,support}\) und \(T_{s,support}\). Gangregelmäßigkeit (in Form von Schritt- und Schrittregelmäßigkeit) war positiv mit dem mDGI-Score (\(p < 0,01\)) für alle Achsen in den gepoolten und MS-Kohorten sowie auf den vertikalen Achsen für die PD-Gruppe assoziiert. Darüber hinaus korrelierte die mediolaterale (ML) Schrittregelmäßigkeit positiv mit dem mDGI bei PD-Patienten. Die Laufruhe, ausgedrückt als verbessertes harmonisches Verhältnis (iHR), führte zu einem positiven Zusammenhang mit dem mDGI für alle drei Achsen in den MS-, PD- und gepoolten Kohorten sowie in der vertikalen (VT) Richtung für Patienten mit ST. Die mittleren quadratischen Beschleunigungswerte waren für alle Gruppen und alle Achsen signifikant mit dem mDGI verbunden. Lyapunov-Exponenten in der AP-Richtung der gepoolten und MS-Kohorten zeigten einen negativen Zusammenhang mit dem Ergebnis (\(p < 0,01\)). Die Gruppe mit einer einzigen Pathologie, insbesondere die MS- und PD-Gruppen, zeigte eine umgekehrt signifikante Beziehung zwischen dem normalisierten vertikalen Ruck und den mDGI-Werten. Darüber hinaus war der mDGI bei Menschen mit ST und MS umgekehrt mit dem Alter und der Krankheitsdauer assoziiert. Das Vorhandensein bilateraler oder monolateraler Unterstützung verringerte die mDGI-Leistung erheblich, insbesondere in den MS- und PD-Gruppen.

Im MP-Modell führte das optimierte EN-Modell zu einem Regressor mit einem mittleren absoluten Validierungsfehler von 4,07 Punkten [IQR = 0,07] über die 95 Außenfalten des Leave-One-Subject-Out (LOSO). Der aggregierte absolute Testfehler betrug 3,58 Punkte [IQR = 5,41] mit einem \(R^{2} = 0,81\) (Abb. 1, Panel A). Somit lagen 76 % der Vorhersagen innerhalb der minimal erkennbaren Änderung des mDGI von 5 Punkten. Durch die Unterteilung der MP-Vorhersagen in die drei Unterkohorten (Abb. 1, Tafel C) und die Berechnung der Korrelationskoeffizienten innerhalb der Gruppen wurde ein \(R^{2}\) von 0,79, 0,85 bzw. 0,78 für die MS erhalten. PD- bzw. ST-Unterkohorten. In ähnlicher Weise führten einzelne Gruppentestfehler zu 2,92 [IQR = 5,21], 4,11 [IQR = 6,04] und 3,22 [IQR = 4,41] Punkten für die MS-, PD- und ST-Unterkohorten. Einzelpathologie-Modelle (SP) führten zu einem Gesamttestfehler (aggregiert) von 4,91 Punkten [IQR = 5,09] und einem \(R^{2}\) = 0,76 (Abb. 1, Panel B). Einzelne SP-Modelle führten nämlich zu einem mittleren absoluten Testfehler von 4,64 Punkten [IQR = 3,86] für die MS-Gruppe, 4,76 Punkten [IQR = 9,47] für die PD-Gruppe und 5,64 Punkten [IQR = 2,92] für die ST-Gruppe ( Abb. 1, Tafel D). Es wurden keine signifikanten Unterschiede (Wilcoxon-Signed-Rank-Tests) zwischen den kombinierten SP-Modellen und dem MP-Modell oder zwischen den einzelnen SP-Modellen und ihren jeweiligen Gruppierungen der MP-Vorhersagen gefunden. Modelle, die mit Daten trainiert wurden, die nicht von Trägheitssensoren stammten, führten sowohl im MP- als auch im SP-Fall zu einer verringerten Genauigkeit. Insbesondere für das MP- und das kombinierte SP-Modell verringerte sich \(R^{2}\) von 0,81 auf 0,56 bzw. von \(R^{2}\) = 0,76 auf 0,46 (Ergänzende Abbildung 1). . Bei Anwendung eines Schwellenwerts von 5 auf das MP-Modell, das ausschließlich aus klinischen Daten abgeleitet wurde, wurde eine Klassifizierungsgenauigkeit von 49 % erzielt. In ähnlicher Weise verringerte sich nach Auswahl einzelner Pathologien aus dem MP-Modell der \(R^{2}\) von 0,79, 0,85 und 0,78–0,55, 0,75 bzw. 0,22 für die MS-, PD- und ST-Modelle (ergänzende Abbildung). 1). Um die Vorhersageleistung des Modells ohne den 6MWT-Score (Schätzung der Gehgeschwindigkeit) zu bewerten, wurde die Pipeline wiederholt und diese Informationen aus den Trainingsdaten entfernt (ergänzende Abbildung 2). Dieser Ansatz führte zu einem mittleren absoluten Fehler von 5,01 [IQR = 5,6] für das MP-Modell (\(R^{2}\) = 0,78), ohne signifikante Unterschiede zum MP-Modell mit einbezogenem 6MWT-Score (Mann-Whitney). , \(p > 0,05\)).

Diagramm der Testvorhersagen für das MP-Modell (Panel A) und die ST-Modelle (Panel B). In beiden Feldern gibt die Markierungsfarbe die Art der unterstützenden Unterstützung an, während der Markierungstyp die Pathologie angibt. Die gestrichelte graue Linie \(y = x\) zeigt ideale Vorhersagen an, während das schattierte graue Rechteck um sie herum eine Grenze von \(\pm 5\) Punkten (MDC) darstellt. Unten sind mit Geigendiagrammen (und überlagerten Schwarmdiagrammen) die absoluten Fehlerverteilungen des Tests dargestellt. Die Testfehler des MP-Modells (MP) wurden nach der Pathologie (\(MP_{MS}, \; MP_{PD}, \; MP_{ST}\)) gruppiert und in Panel (C) bereitgestellt, während die SP-Modelle (\(SP_{combined}\)) kombinierte Testfehler und die jeweiligen Einzelmodelle werden in Panel (D) angegeben.

Im MP-Modell (Abb. 2, Tafel A) war das Vorhandensein eines bilateralen oder monolateralen Hilfsmittels der Faktor, der den stärksten negativen Zusammenhang mit dem Ergebnis zeigte. Die auf allen drei Achsen berechneten Lyapunov-Koeffizienten korrelierten negativ mit der mDGI-Vorhersage. Darüber hinaus waren längere \(T_{Stride}\) und \(T_{d,supp}\) mit einem verringerten dynamischen Gleichgewicht (dh einem niedrigeren mDGI-Score) verbunden. Gehausdauer (d. h. die in 6 Minuten zurückgelegte Strecke, gemessen mit dem 6MWT), Bewegungsintensität (d. h. Acc.RMS), Schrittregelmäßigkeit berechnet auf den AP/VT-Achsen und Dauer der einzelnen Unterstützungsphase \(T_{ s,supp}\) waren positiv mit den mDGI-Scores und folglich mit einer starken Fähigkeit, das dynamische Gleichgewicht aufrechtzuerhalten, verbunden. Im \(SP_{MS}\)-Modell (Abb. 2, Tafel B) waren das Vorhandensein eines Hilfsmittels, längere \(T_{Stride}\) und längere \(T_{d,supp}\) verbunden mit niedrigeren mDGI-Werten. Darüber hinaus führten höhere Werte normalisierter Ruckwerte und höhere Lyapunov-Exponenten in den VT/AP-Richtungen zu einem verringerten dynamischen Gleichgewicht. Eine erhöhte Schrittregelmäßigkeit auf den drei Achsen, längere \(T_{s,supp}\) und höhere Beschleunigungswerte auf den AP-Achsen standen alle im Zusammenhang mit einem höheren mDGI in der MS-Gruppe.

Regressions-\(\beta\)-Koeffizienten der Elastic-Net-Modelle für MP (Panel A), \(SP_{MS}\) (Panel B), \(SP_{PD}\) (Panel C) und \( SP_{ST}\) (Panel D). Regressionskoeffizienten, die aus den Modellen der äußeren Leave-one-subject-out-Aufteilung erhalten wurden, werden aggregiert. Daher wird jedes Variablengewicht über ein Boxplot anstelle eines Balkendiagramms angezeigt, um diese Variabilität zu berücksichtigen. Features werden in aufsteigender Reihenfolge der mittleren \(\beta\)-Werte über die Falten sortiert.

In der PD-Gruppe war das Vorhandensein eines Hilfsmittels die Variable, die den negativsten Zusammenhang mit dem Ergebnis zeigte (Abb. 2, Tafel C). Niedrigere mDGI-Werte bei Menschen mit IPS wurden auch durch höhere Werte von \(CV_{T,step}\), \(CV_{T,stride}\) (d. h. Schritt- und Schrittvariabilität) und \(T_{stride) negativ beeinflusst }\). Umgekehrt hatte der Lyapunov der ML/AP-Achsen weiterhin einen starken negativen Effekt auf den mDGI im PD-Modell. Menschen mit Parkinson waren von Veränderungen der Lyapunov-Koeffizienten in vertikaler Richtung nahezu unberührt. Schnellere Beschleunigungs-RMS-Werte und eine höhere Schrittregelmäßigkeit in allen drei Richtungen waren mit höheren mDGI-Werten im PD-Modell und einer höheren Gangsymmetrie, quantifiziert durch \(iHR_{AP}\) und \(iHR_{ML}\), verbunden.

Bemerkenswerterweise waren im ST-Modell die Krankheitsdauer und das Vorhandensein von Hilfsmitteln die Variablen, die den mDGI am negativsten assoziierten. Lyapunov-Koeffizienten in alle Richtungen beeinflussten das Gleichgewicht der Teilnehmer nach dem Schlaganfall (Abb. 2, Tafel D). Wie bei den Teilnehmern mit PD zeigte die ST-Kohorte einen starken negativen Zusammenhang zwischen \(CV_{T,step}\) und \(CV_{T,stride}\) und dem mDGI-Score. Die Regelmäßigkeit der Schritte und die RMS-Beschleunigungswerte auf den AP-Achsen waren die Merkmale, die am stärksten mit den mDGIs der Teilnehmer nach dem Schlaganfall korrelierten.

Die SHAP-Werte des MP-Modells (Abb. 3) zeigten, dass der 6MWT-Score der stärkste mDGI-Prädiktor ist. Bei Hilfsmitteln lassen sich drei unterschiedliche Effekte beobachten: keine Hilfsmittel (blau), einseitige Hilfe (lila) und beidseitige Hilfe (rosa). Im Vergleich zur monolateralen Assistenz führte der Einsatz bilateraler Hilfsmittel zu stärkeren Einschränkungen der dynamischen Fähigkeiten. In Verbindung mit zugehörigen Regressionskoeffizienten wirkten sich hohe Werte der Schrittregelmäßigkeit auf der VT- und AP-Achse positiv auf den mDGI aus. Darüber hinaus trugen höhere Werte der anteroposterioren RMS-Beschleunigung zu höheren vorhergesagten Werten bei. Die SHAP-Werte bestätigten, dass Lyapunov-Koeffizienten auf allen drei Achsen einen starken Beitrag zur mDGI-Vorhersage mit negativem Effekt lieferten (dh höhere Lyapunov-Koeffizienten sagen einen niedrigeren vorhergesagten mDGI voraus). Darüber hinaus beeinflussten schnellere Schritte und längere Einzelunterstützungsperioden die Modellvorhersagen positiv. Die Merkmalsbeiträge zur Vorhersage von Patienten mit einem absoluten Vorhersagefehler von mehr als 10 Punkten wurden mit den Beiträgen der gesamten Kohorte verglichen. Es wurden keine systematischen Unterschiede in der Merkmalsbedeutung zwischen den falsch klassifizierten und den korrekt vorhergesagten Patienten festgestellt (Abb. 3, Panel A und B).

SHAP-Werte des MP-Modells wurden für alle Merkmalskoalitionen wiederholt für jede der äußeren Testfalten berechnet und zusammen aggregiert. In Panel (A und B) werden sie nach dem \(Mittelwert|Shapley_{i}|\) für alle Testpatienten geordnet dargestellt. Dementsprechend werden in Panel (A) alle Fälle gemeldet, während in Panel (B) nur Fälle angezeigt werden, die um mehr als 10 mDGI-Punkte falsch klassifiziert wurden. Auf den x-Achsen wird der Normalisierungsbeitrag der einzelnen Merkmale zu den mDGI-Werten angegeben, wobei die Modellvorhersage für jeden Patienten die Summe aller Beitragsmerkmale ist.

In dieser Studie haben wir ein elastisches Netz-Regressionsmodell trainiert, optimiert und kreuzvalidiert, das in der Lage ist, den mDGI-Score aus einem 3-IMU-Aufbau vorherzusagen, der während kurzer stationärer Gehübungen (jeweils 10 Schritte) verwendet wird, die aus dem 6MWT extrahiert wurden. Der mittlere [IQR]-Fehler betrug 3,58 [5,38] Punkte, was niedriger ist als der mDGI-MDC (dh 5 Punkte). Als verwendetes Modell wurde das elastische Netz gewählt, da es sich um eine regulierte multivariate lineare Regression und eines der einfachsten ML-Modelle handelt. Insbesondere war eine Regularisierung erforderlich, um der hohen Dimensionalität der Prädiktoren im Vergleich zur moderaten Stichprobengröße Rechnung zu tragen und eine Überanpassung zu verhindern. Anstelle von statistischen Merkmalsprüfungsmethoden wurde die Regularisierung gewählt, um eine Kontamination durch Zugtests zu vermeiden. Schließlich ermöglichen lineare Regressionen wie das elastische Netz auch die Auswertung von Regressionskoeffizienten und damit eine modellbasierte Bewertung der Merkmalswichtigkeit. Der Vergleich der entwickelten Modelle mit Algorithmen, die nur auf Merkmale trainiert wurden, die nicht von IMUs abgeleitet wurden (6MWT-Score und Vorhandensein von Hilfsgeräten), zeigte, dass IMU-basierte Merkmale für die Beurteilung des dynamischen Gleichgewichts und der Ganganpassungsfähigkeit von entscheidender Bedeutung sind. Insbesondere der Vergleich der Klassifizierungsleistungen nach Anwendung eines MDC-basierten Schwellenwerts zeigte, dass die Verwendung von IMU-bezogenen Merkmalen die Genauigkeit um 27 % (von 49 auf 76 %) verbesserte, was zu einer verbesserten Klassifizierung für 26 von 95 Patienten führte. Diese ermutigenden Ergebnisse stellen einen guten Ausgangspunkt für zukünftige Studien dar, die sich auf die Durchführbarkeit dieses Ansatzes in realen Kontexten konzentrieren, mit dem Endziel, die Überwachungshäufigkeit zu erhöhen und die klinische Beurteilung zu ergänzen.

Das Multipathologiemodell (MP), das mit einer Kohorte von Menschen mit MS, PD und ST trainiert wurde, ergab die leistungsstärkste Lösung. Unerwarteterweise übertrafen die Single-Pathology-Modelle (SP) die MP-Modelle nicht. Der Grund kann zweierlei sein. Erstens waren die PD- und ST-Kohorten erheblich kleiner als die MS-Kohorte. Daher könnten bei Menschen mit ST und Parkinson die Vorhersagen von Modellen, die auf der MP-Kohorte trainiert wurden, durch die Anwesenheit der MS-Patienten im Trainingssatz beeinflusst worden sein, die fast 50 % der Teilnehmer ausmachten. Zweitens könnten unterschiedliche neurologische Beeinträchtigungen zu unterschiedlichen Veränderungen des Gangmusters führen, was zu vergleichbaren Effekten im Hinblick auf das dynamische Gleichgewicht und die Ganganpassungsfähigkeit führt, die möglicherweise immer noch durch ein MP-Modell interpretierbar sind. Letzteres wurde weiter durch das Vorhandensein signifikanter Unterschiede zwischen den Gruppen im Gangzeitpunkt (doppelte und einfache Unterstützungszeit, Schritt- und Schwungzeit) und der Gangregelmäßigkeit (sowohl Schritt als auch Schritt) auf allen drei Achsen bestätigt (Ergänzungstabelle 1). Dadurch könnte die Notwendigkeit entfallen, einzelne Modelle für bestimmte Pathologien zu trainieren und einzusetzen. In dieser Studie haben wir mehrere unabhängige Variablen einbezogen, um den mDGI-Score vorherzusagen, einschließlich Informationen über die Demografie der Teilnehmer, die Krankheitsdauer und die Art des Hilfsmittels, die bekanntermaßen mit dem dynamischen Gleichgewicht17, 22 und der Sturzrisikobewertung23, 24 verbunden sind Darüber hinaus haben wir eine Reihe klinischer und tragbarer sensorbasierter Funktionen integriert, die die räumlich-zeitlichen Aspekte des Gangs (d. h. 6MWT-Score, Dauer des Schrittes, Schritt, Einzelunterstützungs- und Doppelunterstützungsphasen) und die Gangqualität (d. h. Bewegungsintensität und -glätte) beschreiben. Regelmäßigkeit und Variabilität von Schritten/Schritten, Gangsymmetrie und lokale dynamische Instabilität)25,26,27, von denen bekannt ist, dass sie bei PwND3, 19, 28,29,30,31,32 beeinträchtigt sind. Veränderungen der räumlich-zeitlichen Parameter des Gangs wurden in MS33, PD34 und ST35 gut dokumentiert. Im Gegensatz dazu hat die Quantifizierung von Faktoren im Zusammenhang mit der Gangqualität erst in jüngster Zeit Interesse geweckt; Im Vergleich zu den räumlich-zeitlichen Faktoren sind die Aspekte (1) robuster gegenüber Unterschieden in den Testeinstellungen27, (2) empfindlicher gegenüber leichten Beeinträchtigungen36, (3) reagieren stärker auf Rehabilitationseffekte37 und (4) stärker mit patientenbezogenen Beeinträchtigungen verbunden. berichtete Gehfähigkeit38.

Lineare Modelle können den Merkmalen Wichtigkeitsstufen zuordnen und so die Transparenz bei der Modellbildung wahren (z. B. \(\beta\)-Koeffizient bei Regressionen und Teststatistiken bei Gruppenvergleichen). Allerdings liefern solche Techniken noch keine patientenbezogene Schätzung des Beitrags der Merkmale zu den Vorhersagen. Aus diesem Grund führt die Einbettung der regulierten Regression des elastischen Netzes in SHAP zu übersetzbaren Modellen, was das Vertrauen der klinischen Bediener und die Interpretierbarkeit von Fehlern fördert. Bezüglich der wichtigsten Merkmale gemäß SHAP (Abb. 3) hatte der 6MWT-Score den größten Einfluss auf die Vorhersage des mDGI-Scores und bestätigte die starke positive Korrelation zwischen dem 6MWT und klinischen Gleichgewichtsmaßen (d. h. DGI, Berg Balance Scale, MiniBESTest und TUG-Test), die zuvor bei Personen mit MS39, PD40 und ST41 gefunden wurden. Obwohl der 6MWT die Gehausdauer bewertet, kann sein Wert als Schätzung der nachhaltigen Ganggeschwindigkeit über lange Zeiträume betrachtet werden. Somit unterstreichen diese Ergebnisse die Bedeutung der Ganggeschwindigkeit als „sechstes Vitalzeichen“42, das mit mehreren gesundheitsbezogenen Überlegungen verbunden ist, darunter dynamisches Gleichgewicht und Stürze43. Die Verwendung eines Hilfsmittels war das zweitwichtigste Merkmal bei der Vorhersage des mDGI-Scores. Dieses Ergebnis war zu erwarten, da der Grad der Unterstützung einen der klinischen mDGI-Unterwerte darstellt. Es sollte jedoch hervorgehoben werden, dass eine frühere Studie an Menschen mit neurologischen Störungen17 gezeigt hat, dass die IMU-basierten Maßnahmen zur Beschreibung der Fortbewegung während der mDGI-Aufgaben (1) auf eine stärkere Beeinträchtigung bei Personen hinwiesen, die Hilfsmittel verwenden, als bei Personen, die dies nicht tun, und (2 ) korrelierte signifikant mit den mDGI- und TUG-Scores. Zusammengenommen verstärkten diese Ergebnisse den Zusammenhang zwischen Gehhilfen und beeinträchtigten Gangmustern und führten als Folge dieser Korrelation zu einem schlechteren dynamischen Gleichgewicht. Da außerdem häufig Hilfsmittel eingesetzt werden, wenn eine Störung des dynamischen Gleichgewichts auftritt, ist die Vermutung angebracht, dass Hilfsmittel mit einem höheren Sturzrisiko verbunden sind.

Sechs der zehn wichtigsten Beiträge beschrieben die Gangqualität (d. h. Regelmäßigkeit, Intensität und dynamische Instabilität) und unterstrichen damit die Bedeutung dieser Variablen für die Charakterisierung der Fortbewegung und des dynamischen Gleichgewichts. Die Rolle dieser Parameter bei der mDGI-Vorhersage blieb trotz des starken Beitrags der Gehgeschwindigkeit (6MWT) bestehen, was darauf hindeutet, dass diese Metriken trotz ihrer Abhängigkeit von der Ganggeschwindigkeit44 unterschiedliche zusätzliche Informationen liefern. Letzteres zeigt, dass zur Aufrechterhaltung eines ausreichenden dynamischen Gleichgewichts neben einer konstanten Gehgeschwindigkeit eine genaue Kontrolle der Position oder Geschwindigkeit der Körperglieder von entscheidender Bedeutung ist. In ähnlicher Weise haben Carpinella et al. fanden statistisch signifikante Korrelationen zwischen Gangqualitätsmetriken und dem mDGI-Item-8-Subscore, selbst nach Korrektur der Ganggeschwindigkeit45.

Unter den Gangqualitätsmetriken lieferte die hohe Schrittregelmäßigkeit, die aus den VT- und AP-Rumpfbeschleunigungen berechnet wurde, positive Beiträge zur mDGI-Vorhersage. Dieses Ergebnis steht im Einklang mit Befunden bei gebrechlichen älteren Erwachsenen, deren Gleichgewichts- und Bewegungsstörungen durch eine höhere Variabilität der Rumpfbeschleunigung zwischen den Schritten (d. h. eine geringere Regelmäßigkeit der Schritte) in der AP- und VT-Richtung gekennzeichnet waren46. Die Autoren vermuteten, dass dieser Befund mit der Unfähigkeit gebrechlicher Probanden zusammenhängt, einen gleichmäßigen und ausgewogenen Vortrieb des Körpers in der Sagittalebene zu erzeugen. Diese Hypothese könnte auch für PwND gelten. In früheren Studien an älteren Menschen47 und PwND45, 48, 49 wurden bereits signifikante Korrelationen zwischen Schrittregelmäßigkeitsmetriken und Gleichgewichtsmessungen festgestellt, was bestätigt, dass Gangregelmäßigkeit ein potenzielles Rehabilitationsziel zur Verbesserung des dynamischen Gleichgewichts und der Ganganpassungsfähigkeit ist. Die Bewegungsintensität in AP-Richtung (Acc. RMS\(_{AP}\)) trug ebenfalls stark positiv zum mDGI-Vorhersagewert bei – je höher die AP-Beschleunigung des Rumpfes, desto besser waren das dynamische Gleichgewicht und die Ganganpassungsfähigkeit. Dieses Ergebnis wird durch frühere Studien gestützt, die eine Verringerung der Bewegungsintensität bei Personen mit IPS, ST und MS50,51,52 (gekennzeichnet durch Gleichgewichtsdefizite) im Vergleich zu gesunden Kontrollpersonen feststellen. Angesichts der starken Korrelation zwischen Rumpfbeschleunigung und Gehgeschwindigkeit44 könnte eine vorläufige Erklärung für das obige Ergebnis darin bestehen, dass die Rumpfbeschleunigung positiv mit dem dynamischen Gleichgewicht verbunden ist, da die Ganggeschwindigkeit positiv mit dem dynamischen Gleichgewicht verbunden ist. Allerdings wurde bereits früher eine Verringerung der Bewegungsintensität bei Menschen mit MS im Vergleich zu gesunden Probanden beim Gehen mit vergleichbarer Geschwindigkeit festgestellt53. Darüber hinaus ist im vorliegenden Modell Acc. RMS\(_{AP}\) stellte trotz des starken Beitrags der Ganggeschwindigkeit (6MWT) den viertwichtigsten Faktor dar. Somit lässt sich eine zweite Hypothese formulieren: Menschen mit neurologischen Erkrankungen können die Bewegung des Oberkörpers (d. h. die Beschleunigung des Rumpfes) beim Gehen minimieren, um Beeinträchtigungen der unteren Extremitäten auszugleichen (durch Dämpfung von Störungen der beeinträchtigten Extremität) und die dynamische Stabilität aufrechtzuerhalten50. Die lokale dynamische Ganginstabilität leistete ebenfalls einen starken Beitrag zur mDGI-Vorhersage. Dieses Ergebnis deutet darauf hin, dass ein schlechteres dynamisches Gleichgewicht mit einer höheren lokalen dynamischen Instabilität einhergeht, d. h. der Bewegungsapparat hat größere Schwierigkeiten, mit kleinen spontanen Störungen umzugehen, die durch Umweltfaktoren (z. B. unebene Oberflächen) oder interne Faktoren (z. B. Neurokontrollfehler) verursacht werden54. Eine frühere Studie an nichtbehinderten Menschen mit MS im Frühstadium ergab, dass der AP Lyapunov-Exponent signifikant mit klinischen Gleichgewichtsskalen wie der Fullerton Advanced Balance Scale und der TUG korreliert28. Die vorliegenden Ergebnisse untermauern dieses Ergebnis und zeigen, dass lokale dynamische Ganginstabilität mit dynamischem Gleichgewicht verbunden ist; Dieser Befund gilt auch für stark beeinträchtigte Personen mit unterschiedlichen neurologischen Erkrankungen und kann daher als valides quantitatives Maß für die Gleichgewichtskontrolle beim Gehen angesehen werden. Was die zeitlichen Merkmale des Gangs anbelangt, so wurden nur der Schritt und die Dauer einzelner Unterstützungen als die 10 wichtigsten Faktoren für die mDGI-Vorhersage identifiziert. Insbesondere längere Schritte (d. h. verringerte Trittfrequenz) und kürzere Einzelunterstützungsphasen (d. h. längere Doppelunterstützungsdauer) sind mit einem schlechteren dynamischen Gleichgewicht verbunden, was im Einklang mit der typischen schützenden Vorsichtsstrategie steht, die angewendet wird, um Gleichgewichtsstörungen auszugleichen und einen stabilen Gang aufrechtzuerhalten45. Wie in Abb. 3 gezeigt, lieferte die Gangsymmetrie, gemessen durch verbesserte harmonische Verhältnisse (iHRs), nur einen geringen Beitrag zur Schätzung des mDGI-Scores, was darauf hindeutet, dass dieser Aspekt stärker mit der Energieeffizienz des Gangs als mit dem dynamischen Gleichgewicht zusammenhängt55.

Zusammenfassend zeigt diese Arbeit, dass Messungen, die die kurzen stationären Geheinheiten beschreiben, aus denen sich der 6MWT zusammensetzt, ausreichende Informationen zur Vorhersage des dynamischen Gleichgewichts und der Ganganpassungsfähigkeit an äußere Anforderungen enthalten und darauf hinweisen, dass die beiden Bewertungen nicht voneinander unabhängig sind. Da der mDGI darüber hinaus die Anpassungsfähigkeit beim Gehen an unterschiedliche Umgebungen misst, ist es sinnvoll, dass eine bessere Gangqualität im Mittelpunkt einer schnellen Anpassung und damit eines gesünderen Gehens steht. Diese Ergebnisse können die Rehabilitation beeinflussen, indem sie die wichtigsten Merkmale aufzeigen, die beim Gleichgewichtstraining berücksichtigt werden müssen. Die eingesetzten Modelle wurden anhand von Daten trainiert, die während der zentralen 10 Schritte eines 30 m langen Krankenhausflurs aufgezeichnet wurden, den die Testperson wiederholt 6 Minuten lang unter Aufsicht eines Physiotherapeuten zurücklegte, wie es das 6MWT vorschreibt. Obwohl diese Art des Gehens nicht mit der Art des Gehens im Alltag übereinstimmt, stellen diese Ergebnisse eine vielversprechende Grundlage für zukünftige Studien dar, die die Möglichkeit testen, die Gültigkeit des aktuellen Modells auf allgemeinere freie Spaziergänge auszudehnen, einschließlich kurzer stationärer Gehrunden, die aus a extrahiert wurden typischer Spaziergang. Neu entwickelte Technologien auf Basis tragbarer Geräte ermöglichen bereits die Erfassung und Verarbeitung von Daten beim freien Gehen und liefern Ergebnisse unmittelbar nach der Aufzeichnung56 oder sogar in Echtzeit57, 58. Was das spezifische Thema dieser Studie betrifft, ist die Implementierung einer speziellen Smartphone-App ( (eines, das das vorgeschlagene Modell mit allen Datenverarbeitungsverfahren einbettet) und in der Lage ist, die Ergebnisse automatisch an Kliniker zu senden, könnte eine wiederholte Bewertung (selbst verabreicht oder minimal von einer Pflegekraft überwacht) des dynamischen Gleichgewichts und der Ganganpassungsfähigkeit in ökologischen Umgebungen während Gehaufgaben ermöglichen werden von PwND problemlos aufrechterhalten. Der Einsatz einer solchen App würde eine höhere Beurteilungshäufigkeit ermöglichen, die Verfolgung der durch die Krankheit oder die Auswirkungen einer Rehabilitation/pharmakologischen Behandlung verursachten Leistungsentwicklung ermöglichen und klinische Untersuchungen ergänzen. Eine der Einschränkungen der Studie ist der retrospektive und monozentrische Charakter der verfügbaren Daten. Aufgrund des retrospektiven Charakters der Daten konnte die Vorhersagekraft IMU-bezogener Merkmale für einzelne Unterelemente der mDGI-Skala daher nicht beurteilt werden. Letzteres würde Einblicke in die Beziehung zwischen spezifischen Gangdeterminanten/-beeinträchtigungen und den verschiedenen Bereichen des dynamischen Gleichgewichtskonzepts liefern. Darüber hinaus trägt im vorgeschlagenen Modell die Ganggeschwindigkeit am stärksten zur Vorhersage bei, hier geschätzt mit dem 6MWT-Score, der üblicherweise vom Physiotherapeuten in der klinischen Praxis erfasst wird, im realen Kontext jedoch nicht verfügbar ist. Zukünftige Entwicklungen des vorliegenden Ansatzes sollten die Schätzung der Ganggeschwindigkeit anhand von Trägheitssensoren am Rumpf59 oder an den unteren Gliedmaßen60, 61 umfassen. Eine weitere Einschränkung besteht darin, dass die aus der IMU berechneten instrumentierten Maße sich auf die zentralen 10 Schritte geradliniger Korridore bezogen nur, daher sind Indizes, die Wendungen beschreiben, ausgeschlossen. Diese Wahl wurde auf der Grundlage früherer Studien26, 50, 62 und veröffentlichter Ergebnisse an gesunden jungen Erwachsenen63 getroffen, die zeigten, dass einige der betrachteten Gangqualitätsmaße (z. B. harmonisches Verhältnis) durch Richtungsänderungen beeinflusst werden; Nach unserem besten Wissen wurde die Auswirkung von Drehungen auf andere Indizes wie Zeit-, Glätte- und Intensitätsparameter bisher jedoch noch nicht untersucht. Darüber hinaus liegen keine Daten zur Auswirkung des Drehens beim Gehen auf die Gangparameter bei Menschen mit neurologischen Störungen vor. Angesichts der großen Auswirkungen des Wendens auf das Gleichgewicht und Stürze64, 65 könnte die Einbeziehung von Kennzahlen zur Beschreibung von Wendungen (z. B. Wendegeschwindigkeit und -dauer) die mDGI-Vorhersage jedoch weiter verbessern. Zukünftige Studien sollten sich mit diesem Problem befassen und die Zuverlässigkeit der aktuellen IMU-basierten Beurteilung anhand einer anderen Gruppe von 10 Schritten als der 6MWT des Patienten analysieren. Selbst wenn die Klassifikatoren im Durchschnitt gut funktionieren, enthalten die Vorhersagen außerdem Ausreißer. Dennoch bestätigt die SHAP-Analyse aus methodischer Sicht, dass diese Ausreißer nicht auf eine konsistente Verzerrung in der Vorhersage zurückzuführen sind und somit nicht durch einen in unserem Merkmalssatz beobachtbaren systematischen Fehler verursacht wurden. Letzteres bestätigt zusammen mit dem verschachtelten Kreuzvalidierungsansatz, der die Tests neuer Patienten simuliert, die in das Modell aufgenommen werden, die Zuverlässigkeit der Ergebnisse. Aus klinischer Sicht könnte das Vorhandensein von Ausreißern mit einem mDGI-Schätzfehler von mehr als 5 Punkten zu einer Fehlinterpretation der Ergebnisse führen. Wenn beispielsweise die Differenz zwischen den zu zwei unterschiedlichen Zeitpunkten erfassten mDGI-Scores mehr als 5 Punkte beträgt, könnte eine tatsächliche signifikante Leistungsänderung oder ein Vorhersagefehler die Ursache sein. Um dieses Problem zu entschärfen, ist es wichtig, dass das tragbare Gerät, das das Vorhersagemodell einbettet, die Ergebnisse automatisch und sofort an den Kliniker sendet, damit dieser sie analysieren und bei Bedarf eine Untersuchung in der Klinik organisieren kann. Bevor die Algorithmen in eine Smartphone-App eingebettet werden, sind jedoch weitere Analysen zur Verwendung eines einzelnen IMU-Sensors und seiner optimalen Platzierung erforderlich. Zusammenfassend haben wir ein Modell mithilfe von ML-Techniken eingesetzt, um den mDGI-Score in einer Kohorte von Patienten mit neurologischen Beeinträchtigungen vorherzusagen, und bei allen Pathologiegruppen ähnliche Genauigkeiten erzielt. Der verschachtelte Kreuzvalidierungsansatz stellte sicher, dass innerhalb der äußeren Testschleife „Ein Proband auslassen“ jeder Patient einmal dem Testsatz zugeordnet wurde. Somit vermeidet die innere k-fache Kreuzvalidierungsschleife, die für die Optimierung von Hyperparametern verwendet wird, eine Kontamination durch Train-Dev-Tests bei der Auswahl der Modellparameter. Darüber hinaus zielte unser Ansatz auf eine Schätzung des kontinuierlichen mDGI-Werts ab, anstatt Gruppen nach ihrem Sturzrisiko zu klassifizieren66, 67. Dieser Ansatz ermöglicht es Forschern und Klinikern, Regressionsvorhersagen nachzubearbeiten und eine Klassifizierung durch Festlegung von Fehlergrenzen abzuleiten; die Umkehrung ist nicht möglich. Dieses wertvolle Tool trägt dazu bei, die Lücke zwischen herkömmlichen Gleichgewichts- und Gangüberwachungsbewertungen im klinischen Umfeld und automatisierten, selbst durchgeführten Bewertungen im realen Kontext zu schließen, mit dem Ziel, den Zeit- und Kostenaufwand für die Verfolgung der Krankheitsentwicklung oder der Behandlungseffekte zu reduzieren.

95 Menschen mit neurologischen Erkrankungen wurden von der IRCCS Fondazione Don Carlo Gnocchi (Mailand, Italien) rekrutiert. Die Kohorte bestand aus 51 Personen mit Multipler Sklerose (MS), 25 Personen mit Parkinson-Krankheit (PD) und 19 Personen nach einem Schlaganfall (ST). Um in die Studie aufgenommen zu werden, mussten die Teilnehmer zwischen 20 und 85 Jahre alt sein; 20 m weit gehen können, auch mit einem Hilfsmittel; und einen MMSE-Score (Mini-Mental-State-Examen) von \(\ge\) 21 haben. Menschen mit MS wurden nur einbezogen, wenn sie eine bestimmte Diagnose hatten und in den letzten zwei Monaten keinen Rückfall erlitten hatten. Personen mit Parkinson-Krankheit wurden nur aufgenommen, wenn ihr Hoehn- und Yahr-Score < 4 war. Teilnehmer nach einem Schlaganfall wurden nur einbezogen, wenn die Zeit nach dem Schlaganfall > 2 Monate betrug. Zu den Ausschlusskriterien gehörten die Unfähigkeit, die Einverständniserklärung zu verstehen und zu unterschreiben, das Vorliegen einer psychiatrischen Komplikation oder schwere Herz-Kreislauf- oder Sehstörungen. Alle Teilnehmer unterzeichneten eine schriftliche Einverständniserklärung zur Teilnahme an dieser Studie (entsprechend der Deklaration von Helsinki). Alle Methoden wurden von der Ethikkommission der IRCCS Fondazione Don Carlo Gnocchi, Mailand (Ref. 29.03.2017 und 13.02.2019) genehmigt. Alle Verfahren wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt.

Der mDGI wurde von erfahrenen Physiotherapeuten verabreicht (Abb. 4, Tafel A)14. Es besteht aus 8 Items (z. B. Gehen mit Kopfdrehung, Umgehen oder Überwinden von Hindernissen, Treppengehen). Jedes Item wird anhand von drei Aspekten bewertet: Gangmuster (Subscore: 0–3), Grad der Unterstützung (Subscore: 0–2) und Zeit (Subscore: 0–3). Der mDGI-Gesamtscore (also die Summe der Teilscores aller Items) liegt zwischen 0 und 64, wobei steigende Werte auf bessere Leistungen hinweisen. Bei PwND könnte sich der Umfang der vorherigen Aktivität auf die folgenden Leistungen auswirken; Daher mussten sich die Teilnehmer nach der mDGI-Ausführung ausruhen. Die Ruhezeit wurde vom Patienten selbst bestimmt und vom Physiotherapeuten überwacht. Die Teilnehmer führten den 6-Minuten-Gehtest (6MWT68) durch, der die Gehausdauer misst. Der Test erforderte ein 6-minütiges Hin- und Hergehen entlang eines 30-m-Korridors mit hoher, aber sicherer Geschwindigkeit. Bei Bedarf kann der Teilnehmer ein Hilfsmittel nutzen. Das Vorhandensein eines Hilfsmittels wurde hier als monolateral, bilateral oder keine Unterstützung kodiert. Teilnehmer mit Parkinson wurden getestet, während sie sich während der Antiparkinson-Therapie in der On-Phase befanden, etwa zwei Stunden nach der Medikamenteneinnahme. Die über 6 Minuten zurückgelegte Distanz wurde vom Prüfer aufgezeichnet und stellte den klinischen Testwert dar. Die Teilnehmer führten den 6MWT mit drei IMUs (MTw, XSens, NL) durch, die am unteren Rumpf (L5-Ebene) und an den Unterschenkeln befestigt waren, etwa 20 mm über den lateralen Malleolen. Der Rumpfsensor wurde am unteren Rücken platziert, da diese Position laut Fachliteratur am häufigsten verwendet wird69. Die Position der Schaftsensoren wurde gewählt, da sie aufgrund von Weichteilartefakten mit einer geringeren Sensorinstabilität einhergeht. Insbesondere wurde ein Rückgang der Artefakte um 4–51 % im Vergleich zur Platzierung von IMUs in anderen Teilen des Unterschenkels oder der Füße festgestellt70. Die Sensoren wurden durch elastische Bänder mit Klettverschluss am Körper befestigt, die auch vom Probanden selbständig oder mit Hilfe einer Pflegekraft problemlos angelegt werden können. Dreidimensionale Beschleunigungen und Winkelgeschwindigkeiten wurden von den drei IMUs mit einer Abtastfrequenz von 75 Hz aufgezeichnet; Diese Frequenz wurde für die Zwecke der vorliegenden Studie als angemessen angesehen, da sie innerhalb des Bereichs der in früheren Studien verwendeten Abtastraten (25–1000 Hz) lag69, 71. Dann wurden die Rumpfbeschleunigungen auf ein horizontal-vertikales Koordinatensystem umorientiert72. Für die nachfolgende Analyse wurden nur die kurzen stationären Gehbewegungen berücksichtigt, die durch 10 aufeinanderfolgende Schritte in der Mitte jedes Korridors dargestellt wurden, nachdem die Signalanteile, die sich auf die 180\(^\circ\)-Umdrehungen am Ende beziehen, verworfen wurden je 30 m Flur73. Fußauftritts- und Fußabriss-Ereignisse wurden aus der Winkelgeschwindigkeit um die mediolaterale Achse jedes Unterschenkels berechnet74. Als nächstes wurden zeitliche Gangdeterminanten wie die mittlere Schritt-, Schritt- und Schwungzeit sowie die Dauer der einfachen und doppelten Unterstützung berechnet. Diese Metriken wurden ausgewählt, weil sie traditionelle Gangmessungen darstellen und gut dokumentierte Beeinträchtigungen bei PwND zeigen33,34,35. Darüber hinaus wurden für die Schritt- und Schrittzeiten die jeweiligen Variationskoeffizienten zum Datensatz hinzugefügt, als Maß für die Schritt- und Schrittvariabilität, die bei PwND im Vergleich zu gesunden Probanden normalerweise höher sind75. Anschließend wurde ein Satz von 18 Metriken aus allen Rumpfbeschleunigungskomponenten (antero-posterior, mediolateral und vertikal) berechnet, um Informationen über die von vorgeschlagenen Gangqualitätsbereiche (d. h. Intensität, Regelmäßigkeit, Symmetrie, Stabilität und Geschmeidigkeit) bereitzustellen frühere Literatur27,28,29,30,31,32. Die Gangintensität wurde durch den quadratischen Mittelwert der Beschleunigung quantifiziert27. Der Gangregelmäßigkeitsbereich wurde durch Schritt- und Schrittregelmäßigkeitsindizes dargestellt, die jeweils als zweiter und erster Spitzenwert der unverzerrten Autokorrelationsfunktion berechnet wurden, die aus jeder Beschleunigungskomponente berechnet wurde76. Die Gangsymmetrie wurde durch das verbesserte Harmonische Verhältnis (iHR) quantifiziert, das nach Pasciuto et al.62 berechnet wurde. Der Stabilitätsbereich wurde durch den kurzfristigen Lyapunov-Exponenten dargestellt. Diese Metrik quantifiziert die lokale dynamische (In-)Stabilität des Gangs, die die Fähigkeit des Bewegungsapparats widerspiegelt, mit kleinen Störungen umzugehen, die natürlicherweise beim Gehen auftreten, wie etwa äußere Störungen oder interne Kontrollfehler54. Der kurzfristige Lyapunov-Exponent wurde über die Dauer eines Schritts berechnet, wie an anderer Stelle ausführlich beschrieben28. Kurz gesagt, die Rumpfbeschleunigungen im Zusammenhang mit zehn aufeinanderfolgenden Schritten im zentralen Teil jedes Gehkampfes wurden auf 1000 Frames (10 Schritte \(\times\) 100 Frames)54, 77 neu abgetastet, um bei allen Gehkämpfen und Teilnehmern die gleiche Datenlänge beizubehalten. Dieses Verfahren wurde nur für die Berechnung des Kurzzeit-Ljapunow-Exponenten angewendet, da dieser Parameter stark von der Signallänge beeinflusst wird54, 77. Daher wurde der Kurzzeit-Ljapunow-Exponent nach der Rosenstein-Methode78 mit m = 5 und T = berechnet 10 Proben (m und T wurden mithilfe veröffentlichter Algorithmen79 geschätzt). Steigende Werte des Lyapunov-Exponenten spiegeln die abnehmende Fähigkeit des Bewegungsapparates wider, kleine Störungen zu bewältigen, was auf eine größere dynamische Instabilität hinweist. Schließlich wurde der Bereich der Gangglätte über den Logarithmus des Rucks (erste zeitliche Ableitung der Beschleunigung) quantifiziert und im Hinblick auf die Schrittdauer und die mittlere Beschleunigung normalisiert80. Alle Parameter wurden für jeden kurzen stationären Gehkampf (10 Schritte) berechnet, der aus dem 6MWT abgeleitet wurde; Anschließend wurden die Medianwerte über den gesamten Test berechnet, um den Einfluss möglicher Ausreißer zu reduzieren. In der vorliegenden Kohorte war die Anzahl der Gehübungen immer größer oder gleich 3. Die oben genannten Gangqualitätsmetriken wurden ausgewählt, weil sie eine statistisch signifikante Korrelation mit dem mDGI-Score zeigten (siehe Tabelle 2) und weil frühere Literatur ihre Robustheit gezeigt hat auf unterschiedliche Testeinstellungen27, ihre Empfindlichkeit gegenüber geringfügigen Beeinträchtigungen28, 36, 38 und auf Rehabilitationseffekte37 sowie ihre Fähigkeit, zwischen verschiedenen Schweregraden der Erkrankung zu unterscheiden50, 81.

Modellpipeline. In Panel (A) werden die Schritte des Datenerfassungsprotokolls beschrieben. In Panel (B und C) werden jeweils die Vorverarbeitungsschritte und Modellbereitstellungsschleifen vorgestellt.

Im Datensatz waren keine fehlenden Werte vorhanden und es wurden keine Datenimputationstechniken angewendet. Um zunächst univariate Korrelationen zwischen IMU-basierten Merkmalen und dem mDGI zu bewerten, wurden alle extrahierten Merkmale einer Korrelationsanalyse nach Spearman unterzogen, wobei die abhängige Variable auf den mDGI gesetzt wurde. Um zu bewerten, ob kategoriale Variablen einen Einfluss auf den mDGI hatten, wurden binäre (z. B. Geschlecht) und kategoriale Variablen mit mehreren Klassen (z. B. Vorhandensein eines Hilfsmittels) einem Mann-Whitney-Test bzw. einem Kruskal-Wallis-Test unterzogen. Dieses Verfahren wurde für die gepoolte Kohorte und die drei Kohorten mit einer einzelnen Pathologie durchgeführt. Um abschließend zu beurteilen, ob verschiedene Pathologiegruppen mit unterschiedlichen biomechanischen Determinanten verbunden sind, wurde eine Gruppenanalyse (Kruskal-Wallis-Test) durchgeführt, wobei unabhängige Variablen auf die von der IMU abgeleiteten Merkmale und Gruppierungsvariablen auf die Pathologie (MS, PD, ST) festgelegt wurden ). Der Signifikanzschwellenwert wurde auf 0,05 festgelegt.

Um eine Kontamination durch Zugtests zu vermeiden, wurden alle extrahierten Merkmale in nachfolgende ML-Modelle übernommen. Es wurde nämlich eine regulierte Art der Regression, das elastische Netz (EN), implementiert. Die EN kombiniert die Nachteile der LASSO- und Ridge-Regression82 und überwindet so ihre jeweiligen Implementierungsprobleme. Ridge fügt quadratische Regularisierung über L2-Strafen hinzu, indem es allen Merkmalen im Modell einen Koeffizienten ungleich Null zuweist und die Koeffizienten auch dann beibehält, wenn die entsprechende unabhängige Variable für die Vorhersage irrelevant ist. Umgekehrt verschlechtert sich die LASSO-Regression bekanntermaßen bei multikollinearen unabhängigen Variablen83, vernachlässigt jedoch spezifische Merkmale. Das elastische Netz kombiniert die Merkmalseliminierung von LASSO und die Koeffizientenreduzierung von Ridge und verbessert beide, was zu folgenden Regressionsparameterschätzungen führt:

Die Sonderfälle \(\lambda _{2} = 0 \; \lambda _{1} \ne 0\) und \(\lambda _{1} = 0 \; \lambda _{2} \ne 0\) entsprechen den LASSO- bzw. Ridge-Regressionen und schließen daher sowohl LASSO als auch Ridge in den Hypothesenraum des EN-Modells ein. In der Scikit-Learn-Implementierung

das \(l1_{ratio}\) beschreibt die Tendenz zu einer LASSO-Regularisierung (\(l1_{ratio} \sim 1\)) oder einer Ridge-Regularisierung (\(l1_{ratio} \sim 0\)) und das \( \alpha\) fungiert als Skalierungsparameter des Regularisierungsprozesses.

Um die Robustheit des Modells zu maximieren, haben wir einen verschachtelten Kreuzvalidierungsansatz implementiert. Kurz gesagt besteht ein solcher Ansatz aus zwei k-fachen Kreuzvalidierungsschleifen: Eine äußere Schleife identifiziert den Testsatz für jede seiner Falten, während die innere Schleife eine weitere Aufteilung des Datensatzes für Training und Validierung implementiert84. In der Außenschicht (Testschicht) wurde ein LOSO-Testverfahren angewendet (Abb. 4, Panel C). Konkret wurde jeweils ein Patient zum Testen zurückgehalten und die verbleibenden N − 1 wurden für das Training und die Kreuzvalidierung verwendet. Die N − 1 Patienten wurden mithilfe der Synthetic Minority Oversampling Technique for Regression (SMOTER85) erneut beprobt, wodurch Trainings- und Validierungsproben erzeugt wurden, die gleichmäßig über den mDGI-Bereich verteilt waren. Anschließend wurde der neu abgetastete Trainingssatz zur Kreuzvalidierung und Optimierung der Hyperparameter des Modells verwendet, indem der mittlere absolute Fehler der Kreuzvalidierung \(E_{val} = \frac{\sum _{k=1}^{3} minimiert wurde. Accuracy_{k}}{K_{inner\,folds}}\) und Mittelung der Genauigkeiten über die K inneren Falten (Gleichung 3). Für die EN-Regression wurden \(\alpha\) und \(l1_{ratio}\) zusammen mit der Down-Sampling-Rate der Mehrheitsklasse (\(\%d\)) und der Generierungsrate synthetischer Stichproben der Minderheitsklasse (\( \%o\))85. Konkret durften beide Prozentsätze zwischen 200 und 800 % variieren. Die Anzahl der inneren Falten (K), die zur Optimierung aller oben genannten Parameter verwendet wurden, wurde auf 3 gesetzt. Anschließend wurden mit optimalen Hyperparametern EN-Regressionen bei allen \(N-1\)-Trainingspatienten, einschließlich der synthetischen Proben, neu trainiert . Abschließend wurde das Modell an einem Patienten getestet, der von der Außenspalte befreit war. Dieses Verfahren wurde für die multipathologische Kohorte (MP) und die einzelnen Pathologiekohorten (\(SP_{MS}\), \(SP_{PD}\) und \(SP_{ST}\)) und die Vorhersagen wiederholt Die äußeren Testproben wurden gelagert und aggregiert (Abb. 4). Die beschriebene Pipeline wurde unter Verwendung von drei verschiedenen Datensätzen wiederholt: (1) von der IMU abgeleitete Merkmale und klinische Variablen (6MWT-Score, Vorhandensein von Hilfsmitteln), (2) nur klinische Variablen (ergänzende Abbildung 1) und (3) von der IMU abgeleitete Nur Daten (Ergänzende Abbildung 2). Alle Pipelines für maschinelles Lernen wurden mit den Bibliotheken Optuna und Scikit-Learn implementiert.

Verallgemeinerte lineare Modelle ermöglichen bereits Interpretierbarkeits- und Erklärbarkeitsmessungen, indem sie jeder unabhängigen Variablen k die Größe ihres zugehörigen Regressionskoeffizienten k zuordnen und somit die Auswirkung aller Merkmale auf die Vorhersage über das Skalarprodukt \(\cdot\)x berechnen. Aufgrund der verschachtelten Kreuzvalidierungsimplementierung wird in der äußeren Aufteilung jedoch jeder Patient N-1-mal in einen Trainingssatz und nur einmal in einen Testsatz aufgenommen. Folglich führen N Modelle, die auf die N-Permutation von N 1 Patienten trainiert wurden, zu N Parameterschätzungen (K, N). Dementsprechend ist die Bewertung der Merkmalsbedeutung durch Mittelung der N-Koeffizienten möglich, weist jedoch zwei große Nachteile auf. Erstens kann die resultierende Variabilität in den Parameterschätzungen relevant sein. Zweitens werden Schätzungen aus mittleren Trends in der Trainingsteilmenge abgeleitet und sind nicht patientenspezifisch. SHAP überwindet diese Einschränkungen, indem es die Merkmalsbeiträge zur Vorhersage speziell für die einzelnen Probanden bestimmt, was zu einem Wert pro Subjekt und Merkmal führt20, 21.

Wilcoxon-Signed-Rank-Tests wurden zwischen dem MP-Modell und den aggregierten Vorhersagen der SP-Modelle angewendet. Darüber hinaus wurden einzelne SP-Modelle auch mit den Vorhersagen derselben Instanzen verglichen, die das MP-Modell mit Wilcoxon-Signed-Rank-Tests gemacht hatte.

Daten wurden mit dem Manuskript bereitgestellt und Codes können Piergiuseppe Liuzzi und Ilaria Carpinella auf Anfrage nur zu Replikationszwecken zur Verfügung gestellt werden.

Modifizierter dynamischer Gangindex

Personen mit neurologischen Erkrankungen

Zeit einhalten und los geht's

Multiple Sklerose

Parkinson-Krankheit

Schlaganfall

6-Minuten-Gehtest

Trägheitsmesseinheiten

Multipathologie

Von vorne nach hinten

Vertikal

mittellateral

Additive Erklärungen von SHapley

Minimal erkennbare Veränderung

Patla, A. Strategien für dynamische Stabilität während der adaptiven menschlichen Fortbewegung. IEEE Eng. Med. Biol. 22, 48–52. https://doi.org/10.1109/memb.2003.1195695 (2003).

Artikel Google Scholar

Zampogna, A. et al. Fünfzehn Jahre drahtlose Sensoren zur Gleichgewichtsbeurteilung bei neurologischen Erkrankungen. Sensoren 20, 3247. https://doi.org/10.3390/s20113247 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Lencioni, T. et al. Strategien zur Aufrechterhaltung des dynamischen Gleichgewichts bei Personen mit neurologischen Störungen beim Gehen über der Erde. Proz. Inst. Mech. Ing. Teil H J. Eng. Med. 235, 1079–1087. https://doi.org/10.1177/09544119211023624 (2021).

Artikel Google Scholar

Tinetti, ME & Kumar, C. Der Patient, der stürzt: „Es ist immer ein Kompromiss.“ J. Am. Med. Assoc. 2303, 58–266. https://doi.org/10.1001/jama.2009.2024 (2010).

Artikel Google Scholar

Mancini, M. & Horak, FB Die Relevanz klinischer Gleichgewichtsbewertungsinstrumente zur Unterscheidung von Gleichgewichtsdefiziten. EUR. J. Phys. Rehabilitation. Med. 46, 239–48 (2010).

CAS PubMed Google Scholar

Verghese, J., Holtzer, R., Lipton, RB & Wang, C. Quantitative Gangmarker und Sturzrisiko bei älteren Erwachsenen. J. Gerontol. Ser. Ein Biol. Wissenschaft. Med. Wissenschaft. 64A, 896–901. https://doi.org/10.1093/gerona/glp033 (2009).

Artikel Google Scholar

Edginton Bigelow, K. & Berme, N. Entwicklung eines Protokolls zur Verbesserung des klinischen Nutzens der Posturographie als Instrument zur Sturzrisikoerkennung. J. Gerontol. Ser. Ein Biol. Wissenschaft. Med. Wissenschaft. 66A, 228–233. https://doi.org/10.1093/gerona/glq202 (2011).

Artikel Google Scholar

Stevens, JA & Phelan, EA Entwicklung von STEADI: Eine Ressource zur Sturzprävention für Gesundheitsdienstleister. Gesundheitsförderer. Üben. 14, 706–714. https://doi.org/10.1177/1524839912463576 (2013).

Artikel PubMed Google Scholar

Muir-Hunter, S. & Wittwer, J. Dual-Task-Tests zur Vorhersage von Stürzen bei in Wohngemeinschaften lebenden älteren Erwachsenen: Eine systematische Überprüfung. Physiotherapie 102, 29–40. https://doi.org/10.1016/j.physio.2015.04.011 (2016).

Artikel CAS PubMed Google Scholar

Godi, M. et al. Vergleich der Zuverlässigkeit, Validität und Reaktionsfähigkeit der Mini-Best- und Berg-Balance-Skala bei Patienten mit Gleichgewichtsstörungen. Physik. Dort. 93, 158–167. https://doi.org/10.2522/ptj.20120171 (2012).

Artikel PubMed Google Scholar

Yelnik, A. & Bonan, I. Klinisches Instrument zur Beurteilung von Gleichgewichtsstörungen. Neurophysiol. Klin. Klin. Neurophysiol. 38, 439–45. https://doi.org/10.1016/j.neucli.2008.09.008 (2009).

Artikel Google Scholar

Matsuda, PN, Taylor, CS & Shumway-Cook, A. Belege für die Gültigkeit des modifizierten dynamischen Gangindex über Diagnosegruppen hinweg. Physik. Dort. 9, 996–1004. https://doi.org/10.2522/ptj.20130294 (2014).

Artikel Google Scholar

Corrini, C. et al. Minimaler klinisch wichtiger Unterschied des modifizierten dynamischen Gangindex bei Menschen mit neurologischen Störungen. Ganghaltung 90, 210–214. https://doi.org/10.1016/j.gaitpost.2021.08.024 (2021).

Artikel PubMed Google Scholar

Shumway-Cook, A., Taylor, CS, Matsuda, PN, Studer, MT & Whetten, BK Erweiterung des Bewertungssystems für den dynamischen Gangindex. Physik. Dort. 93, 1493–1506. https://doi.org/10.2522/ptj.20130035 (2013).

Artikel PubMed Google Scholar

Shumway-Cook, A., Matsuda, PN & Taylor, C. Untersuchung der Gültigkeit des Umweltrahmens, der dem ursprünglichen und modifizierten dynamischen Gangindex zugrunde liegt. Physik. Dort. 95, 864–870. https://doi.org/10.2522/ptj.20140047 (2015).

Artikel PubMed Google Scholar

Torchio, A. et al. Identifizierung modifizierter Cutoff-Scores für den dynamischen Gangindex zur Beurteilung des Sturzrisikos bei Menschen mit Parkinson-Krankheit, Schlaganfall und Multipler Sklerose. Ganghaltung 91, 1–6. https://doi.org/10.1016/j.gaitpost.2021.09.201 (2021).

Artikel PubMed Google Scholar

Anastasi, D. et al. Instrumentierte Version des modifizierten dynamischen Gangindex bei Patienten mit neurologischen Störungen. PM R 11, 1312–1319. https://doi.org/10.1002/pmrj.12137 (2019).

Artikel PubMed Google Scholar

Ancona, S. et al. Wearables bei der häuslichen Beurteilung abnormaler Bewegungen bei der Parkinson-Krankheit: Eine systematische Überprüfung der Literatur. J. Neurol.https://doi.org/10.1007/s00415-020-10350-3 (2021).

Artikel PubMed Google Scholar

Carpinella, I. et al. Instrumentelle Beurteilung des Treppensteigens bei Menschen mit Multipler Sklerose, Schlaganfall und Parkinson-Krankheit: Ein auf tragbaren Sensoren basierender Ansatz. IEEE Trans. Neuronales System. Rehabilitation. Ing. 26, 2324–2332. https://doi.org/10.1109/TNSRE.2018.2881324 (2018).

Artikel PubMed Google Scholar

Lundberg, SM et al. Erklärbare Vorhersagen durch maschinelles Lernen zur Prävention von Hypoxämie während der Operation. Nat. Biomed. Ing. 2, 749. https://doi.org/10.1038/s41551-018-0304-0 (2018).

Artikel PubMed PubMed Central Google Scholar

Lundberg, SM et al. Von lokalen Erklärungen zum globalen Verständnis mit erklärbarer KI für Bäume. Nat. Mach. Intel. 2, 2522–5839. https://doi.org/10.1038/s42256-019-0138-9 (2020).

Artikel Google Scholar

Demura, S., Yamaji, S. & Kitabayashi, T. Geschlechts- und altersbedingte Unterschiede der dynamischen Gleichgewichtsfähigkeit basierend auf verschiedenen Schrittbewegungen bei gesunden älteren Menschen. J. Hum. Ergol. 34, 1–11 (2005).

Google Scholar

Marschollek, M. et al. Sensorbasierte Sturzrisikobewertung – Ein Experte „to go“. Methoden Inf. Med. 50, 420–6. https://doi.org/10.3414/ME10-01-0040 (2011).

Artikel CAS PubMed Google Scholar

van Schooten, K. et al. Ambulante Sturzrisikobewertung: Ausmaß und Qualität des Alltagsgangs prognostizieren Stürze bei älteren Erwachsenen. J. Gerontol. Ser. Ein Biol. Wissenschaft. Med. Wissenschaft. 70, 608–615. https://doi.org/10.1093/gerona/glu225 (2015).

Artikel CAS Google Scholar

Ihlen, E., Weiss, A., Beck, Y., Helbostad, J. & Hausdorff, J. Eine Vergleichsstudie zu lokalen dynamischen Stabilitätsmaßen des täglichen Gehens bei älteren Erwachsenen, die in Wohngemeinschaften stürzen und nicht stürzen. J. Biomech. 49, 1498–1503. https://doi.org/10.1016/j.jbiomech.2016.03.019 (2016).

Artikel PubMed Google Scholar

Riva, F., Bisi, M. & Stagni, R. Gangvariabilitäts- und Stabilitätsmessungen: Mindestschrittzahl und Zuverlässigkeit innerhalb der Sitzung. Berechnen. Biol. Med. 50 °C, 9–13. https://doi.org/10.1016/j.compbiomed.2014.04.001 (2014).

Artikel Google Scholar

Angelini, L. et al. Ist eine tragbare sensorbasierte Gangcharakterisierung robust genug, um Unterschiede zwischen Messprotokollen zu überwinden? eine multizentrische pragmatische Studie bei Patienten mit Multipler Sklerose. Sensoren 20, 79. https://doi.org/10.3390/s20010079 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Caronni, A. et al. Lokale dynamische Gangstabilität bei Menschen mit früher Multipler Sklerose und leichter bis leichter neurologischer Beeinträchtigung. IEEE Trans. Neuronales System. Rehabilitation. Ing. 28, 1389–1396. https://doi.org/10.1109/TNSRE.2020.2991636 (2020).

Artikel PubMed Google Scholar

Plotnik, M., Wagner, J., Adusumilli, G., Gottlieb, A. & Naismith, R. Gangasymmetrie und bilaterale Gangkoordination während eines sechsminütigen Gehtests bei Personen mit Multipler Sklerose. Wissenschaft. Rep. 10, 12382. https://doi.org/10.1038/s41598-020-68263-0 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Socie, M. & Sosnoff, J. Gangvariabilität und Multiple Sklerose. Multiple Skler. Int. 2013, 645197. https://doi.org/10.1155/2013/645197 (2013).

Artikel Google Scholar

Patterson, K., Gage, W., Brooks, D., Black, S. & McILROY, W. Bewertung der Gangsymmetrie nach Schlaganfall: Ein Vergleich aktueller Methoden und Empfehlungen zur Standardisierung. Ganghaltung 31, 241–6. https://doi.org/10.1016/j.gaitpost.2009.10.014 (2009).

Artikel PubMed Google Scholar

Godi, M., Arcolin, I., Giardini, M., Corna, S. & Schieppati, M. Ein pathophysiologisches Gangmodell erfasst die Details der Beeinträchtigung von Tempo/Rhythmus, Variabilität und Asymmetrie bei Parkinson-Patienten in verschiedenen Stadien des Gangs die Krankheit. Wissenschaft. Rep. 11, 21143. https://doi.org/10.1038/s41598-021-00543-9 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Chee, J. et al. Einfluss von Multipler Sklerose auf raumzeitliche Gangparameter: Eine systematische Überprüfung und Meta-Regression. Bogen. Physik. Med. Rehabilitation. 102, 1801–1815. https://doi.org/10.1016/j.apmr.2020.12.013 (2021).

Artikel PubMed Google Scholar

Morris, M., Iansek, R., Matyas, T. & Summers, J. Die Pathogenese der Ganghypokinesie bei der Parkinson-Krankheit. Gehirn 117, 1169–1181. https://doi.org/10.1093/brain/117.5.1169 (1994).

Artikel PubMed Google Scholar

Wonsetler, E. & Bowden, M. Eine systematische Überprüfung der Mechanismen der Ganggeschwindigkeitsänderung nach einem Schlaganfall. Teil 1. Raumzeitliche Parameter und Asymmetrieverhältnisse. Spitze. Schlaganfall-Rehabilitation. 24, 1–12. https://doi.org/10.1080/10749357.2017.1285746 (2017).

Artikel Google Scholar

Carpinella, I. et al. Das Gehen mit horizontaler Kopfdrehung ist bei Personen mit Multipler Sklerose im Frühstadium und normaler Fortbewegung beeinträchtigt. Vorderseite. Neurol. 12, 821640. https://doi.org/10.3389/fneur.2021.821640 (2022).

Artikel PubMed PubMed Central Google Scholar

Hilfiker, R. et al. Lokale dynamische Stabilität als responsiver Index für die Bewertung des Rehabilitationseffekts auf das Sturzrisiko bei Patienten mit Multipler Sklerose: Eine Längsschnittstudie. BMC Res. Anmerkungen 6, 260. https://doi.org/10.1186/1756-0500-6-260 (2013).

Artikel PubMed PubMed Central Google Scholar

Carpinella, I. et al. Die instrumentelle Beurteilung der Gangqualität ist für die Erklärung der vom Patienten berichteten Gehfähigkeit bei Multipler Sklerose im Frühstadium relevanter als die Gangausdauer und -geschwindigkeit. EUR. J. Neurol. 28, 2259–2268. https://doi.org/10.1111/ene.14866 (2021).

Artikel PubMed Google Scholar

Bennett, S., Bromley, L., Fisher, N., Tomita, M. & Niewczyk, P. Gültigkeit und Zuverlässigkeit von vier klinischen Gangmessungen bei Patienten mit Multipler Sklerose. Int. J. MS Care 19, 247–252. https://doi.org/10.7224/1537-2073.2015-006 (2017).

Artikel PubMed PubMed Central Google Scholar

Combs, SA, Diehl, DM, Filip, J. & Long, E. Kurzstrecken-Gehgeschwindigkeitstests bei Menschen mit Parkinson-Krankheit: Zuverlässigkeit, Reaktionsfähigkeit und Validität. Ganghaltung 39, 784–788. https://doi.org/10.1016/j.gaitpost.2013.10.019 (2014).

Artikel PubMed Google Scholar

Pohl, P. et al. Einfluss schlaganfallbedingter Beeinträchtigungen auf die Leistung im 6-Minuten-Gehtest. J. Rehabil. Res. Entwickler 39, 439–44 (2002).

PubMed Google Scholar

Fritz, S. & Lusardi, M. Whitepaper: „Gehgeschwindigkeit: das sechste Lebenszeichen“. J. Geriatr. Phys. Ther. 2001(32), 46–9. https://doi.org/10.1519/ 00139143-200932020-00002 (2009).

Artikel Google Scholar

Callisaya, ML & Verghese, J. Die Verbindung von klinikbasierten Mobilitätsaufgaben und Messungen der Gemeinschaftsleistung und des Risikos. PM R 10, 704-711.e1. https://doi.org/10.1016/j.pmrj.2017.12.008 (2018).

Artikel PubMed PubMed Central Google Scholar

Menz, H., Lord, S. & Fitzpatrick, R. Altersbedingte Unterschiede in der Gehstabilität. Age Aging 32, 137–42 (2003).

Artikel PubMed Google Scholar

Lencioni, T., Carpinella, I., Rabuffetti, M., Cattaneo, D. & Ferrarin, M. Messungen des dynamischen Gleichgewichts beim ebenen Gehen bei gesunden erwachsenen Probanden: Zusammenhang mit Alter, Anthropometrie und räumlich-zeitlichen Gangparametern. Porc. Inst. Mech. Ing. H 65, 131–140. https://doi.org/10.1177/0954411919889237 (2020).

Artikel Google Scholar

Moe-Nilssen, R. & Helbostad, J. Die Variabilität der Rumpfbeschleunigung zwischen den Schritten, aber nicht die Variabilität der Schrittweite, kann zwischen fitten und gebrechlichen älteren Erwachsenen unterscheiden. Ganghaltung 21, 164–70. https://doi.org/10.1016/j.gaitpost.2004.01.013 (2005).

Artikel PubMed Google Scholar

Callisaya, M., Blizzard, L., Mcginley, J., Schmidt, M. & Srikanth, V. Sensomotorische Faktoren beeinflussen die Gangvariabilität bei älteren Menschen – eine bevölkerungsbasierte Studie. J. Gerontol. Ser. Ein Biol. Wissenschaft. Med. Wissenschaft. 65, 386–92. https://doi.org/10.1093/gerona/glp184 (2009).

Artikel Google Scholar

Handelzalts, S. et al. Einblicke in motorische Leistungsdefizite nach Schlaganfall: Eine automatisierte und verfeinerte Analyse des motorischen Koordinationstests der unteren Extremitäten (Lemocot). J. NeuroEng. Rehabilitation. 18, 1–10. https://doi.org/10.1186/s12984-021-00950-z (2021).

Artikel Google Scholar

Kalron, A., Dolev, M. & Givon, U. Konstruieren Sie die Gültigkeit des Timed-Up-and-Go-Tests als Maß für die Gehfähigkeit bei Personen mit Multipler Sklerose. EUR. J. Phys. Med. Rehabilitation. 53, 841–847. https://doi.org/10.23736/S1973-9087.17.04599-3 (2017).

Artikel Google Scholar

Angelini, L. et al. Tragbare Sensoren können Gangveränderungen im Zusammenhang mit Behinderungen bei Menschen mit fortschreitender Multipler Sklerose im klinischen Umfeld zuverlässig quantifizieren. J. Neurol. 267, 2897–2909. https://doi.org/10.1007/s00415-020-09928-8 (2020).

Artikel PubMed PubMed Central Google Scholar

Mizuike, C., Ohgi, S. & Morita, S. Analyse der Gehdynamik von Schlaganfallpatienten mit einem dreiachsigen Beschleunigungsmesser. Ganghaltung 30, 60–4. https://doi.org/10.1016/j.gaitpost.2009.02.017 (2009).

Artikel PubMed Google Scholar

Buckley, C., Galna, B., Rochester, L. & Mazzà, C. Beschleunigungen des Oberkörpers als Biomarker für Gangstörungen in den frühen Stadien der Parkinson-Krankheit. Ganghaltung 71, 289–295. https://doi.org/10.1016/j.gaitpost.2018.06.166 (2018).

Artikel PubMed Google Scholar

Huisinga, J., Mancini, M., St George, R. & Horak, F. Die Beschleunigungsmessung zeigt Unterschiede in der Gangvariabilität zwischen Patienten mit Multipler Sklerose und gesunden Kontrollpersonen. Ann. Biomed. Ing. 41, 1670–1679. https://doi.org/10.1007/s10439-012-0697-y (2012).

Artikel PubMed PubMed Central Google Scholar

Bruijn, S., Meijer, O., Beek, P. & Van Dieen, J. Bewertung der Stabilität der menschlichen Fortbewegung: Ein Überblick über aktuelle Maßnahmen. JR Soc. Schnittstelle R. Soc. 10, 20120999. https://doi.org/10.1098/rsif.2012.0999 (2013).

Artikel CAS Google Scholar

Ellis, R., Howard, K. & Kram, R. Die metabolischen und mechanischen Kosten der Schrittzeitasymmetrie beim Gehen. Proz. Biol. Wissenschaft. R. Soc. 280, 20122784. https://doi.org/10.1098/rspb.2012.2784 (2013).

Artikel Google Scholar

Alexander, S., Peryer, G., Gray, E., Barkof, F. & Chataway, J. Tragbare Technologien zur Messung klinischer Ergebnisse bei Multipler Sklerose: Eine Scoping-Überprüfung. Multiple Skler. 27, 1643–1656. https://doi.org/10.1177/1352458520946005 (2020).

Artikel Google Scholar

Casamassima, F. et al. Ein tragbares System zum Gangtraining bei Parkinson-Patienten. Sensoren (Basel, Schweiz) 14, 6229–46. https://doi.org/10.3390/s140406229 (2014).

Artikel ADS PubMed Google Scholar

Ginis, P. et al. Durchführbarkeit und Auswirkungen eines automatisierten Feedback-Trainings für den Gang von Menschen mit Parkinson-Krankheit, das zu Hause über ein Smartphone durchgeführt wird: Eine randomisierte, kontrollierte Pilotstudie. Parkinsonismus Relat. Unordnung. 22, 28–34. https://doi.org/10.1016/j.parkreldis.2015.11.004 (2015).

Artikel Google Scholar

Soltani, A. et al. Algorithmen zur Schätzung der Gehgeschwindigkeit mithilfe eines am unteren Rücken getragenen Trägheitssensors: Eine Kreuzvalidierung von Geschwindigkeitsbereichen. IEEE Trans. Neuronales System. Rehabilitation. Ing. 29, 1955–1964. https://doi.org/10.1109/TNSRE.2021.3111681 (2021).

Artikel CAS PubMed Google Scholar

Ferrari, A. et al. Eine mobile Kalman-Filter-basierte Lösung zur Echtzeitschätzung räumlich-zeitlicher Gangparameter. IEEE Trans. Neuronales System. Rehabilitation. Ing. Publ. IEEE Eng. Med. Biol. Soc. 24, 764–773. https://doi.org/10.1109/TNSRE.2015.2457511 (2015).

Artikel Google Scholar

Trojaniello, D. et al. Schätzung der schrittweisen räumlich-zeitlichen Parameter des normalen und beeinträchtigten Gangs mithilfe von am Schaft montierten Magneto-Inertialsensoren: Anwendung bei älteren Menschen, hemiparetischen, Parkinson- und choreischen Gangarten. J. Neuroeng. Rehabilitation. 11, 152. https://doi.org/10.1186/1743-0003-11-152 (2014).

Artikel PubMed PubMed Central Google Scholar

Pasciuto, I., Bergamini, E., Iosa, M., Vannozzi, G. & Cappozzo, A. Überwindung der Einschränkungen des harmonischen Verhältnisses für die zuverlässige Beurteilung der Gangsymmetrie. J. Biomech. 53, 84–89. https://doi.org/10.1016/j.jbiomech.2017.01.005 (2017).

Artikel PubMed Google Scholar

Riva, F., Grimpampi, E., Mazzà, C. & Stagni, R. Werden Gangvariabilitäts- und Stabilitätsmessungen durch Richtungsänderungen beeinflusst? Biomed. Ing. Online 13, 56. https://doi.org/10.1186/1475-925X-13-56 (2014).

Artikel PubMed PubMed Central Google Scholar

Caronni, A. et al. Kriteriumsvalidität des instrumentierten Timed-Up-and-Go-Tests: Eine partielle Regressionsstudie der kleinsten Quadrate. Ganghaltung 61, 287–293. https://doi.org/10.1016/j.gaitpost.2018.01.015 (2018).

Artikel PubMed Google Scholar

Leach, J., Mellone, S., Palumbo, P., Bandinelli, S. & Chiari, L. Natürliche Wendemessungen sagen wiederkehrende Stürze bei in Wohngemeinschaften lebenden älteren Erwachsenen voraus: Eine Längsschnitt-Kohortenstudie. Wissenschaft. Rep. 8, 1–11. https://doi.org/10.1038/s41598-018-22492-6 (2018).

Artikel CAS Google Scholar

Lindberg, D. et al. Identifizierung wichtiger Faktoren in einem Modell zur Vorhersage des Sturzrisikos bei stationären Patienten zur Verbesserung der Versorgungsqualität mithilfe von EHR und elektronischen Verwaltungsdaten: Ein Ansatz des maschinellen Lernens. Int. J. Med. Informieren. 143, 104272. https://doi.org/10.1016/j.ijmedinf.2020.104272 (2020).

Artikel PubMed PubMed Central Google Scholar

Noh, B. et al. Xgboost-basierter maschineller Lernansatz zur Vorhersage des Sturzrisikos bei älteren Erwachsenen anhand von Gangergebnissen. Wissenschaft. Rep. 11, 12183. https://doi.org/10.1038/s41598-021-91797-w (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Brooks, D., Solway, S. & Gibbons, W. ATS-Erklärung zum Sechs-Minuten-Gehtest. Bin. J. Atmung. Krit. Pflege Med. 167, 1287. https://doi.org/10.1164/ajrccm.167.9.950 (2003).

Artikel PubMed Google Scholar

Storm, F., Cesareo, A., Reni, G. & Biffi, E. Tragbare Trägheitssensoren zur Beurteilung des Gangs während des 6-Minuten-Gehtests: Eine systematische Überprüfung. Sensoren 20, 2660. https://doi.org/10.3390/s20092660 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Scalera, G., Ferrarin, M., Marzegan, A. & Rabuffetti, M. Bewertung der Stabilität von MIMU-Sonden gegenüber hautmarkerbasierten anatomischen Referenzrahmen während Fortbewegungsaufgaben: Auswirkung verschiedener Standorte auf die untere Extremität. Vorderseite. Bioeng. Biotechnologie. 9, 721900. https://doi.org/10.3389/fbioe.2021.721900 (2021).

Artikel PubMed PubMed Central Google Scholar

Pacini Panebianco, G., Bisi, M., Stagni, R. & Fantozzi, S. Analyse der Leistung von 17 Algorithmen aus einer systematischen Überprüfung: Einfluss der Sensorposition, der analysierten Variablen und des rechnerischen Ansatzes bei der Schätzung des Gangzeitpunkts aus Imu-Messungen. Ganghaltung 66, 76–82. https://doi.org/10.1016/j.gaitpost.2018.08.025 (2018).

Artikel PubMed Google Scholar

Moe-Nilssen, R. Eine neue Methode zur Bewertung der motorischen Kontrolle beim Gang unter realen Umweltbedingungen. Klin. Biomech. 13, 320–327. https://doi.org/10.1016/s0268-0033(98)00089-8 (1998).

Artikel Google Scholar

Nguyen, H. et al. Automatische Erkennung und Segmentierung alltäglicher Aktivitäten während einer zeitgesteuerten Aufgabe bei Parkinson-Patienten mithilfe mehrerer Trägheitssensoren. J. NeuroEng. Rehabilitation. 14, 1–13. https://doi.org/10.1186/s12984-017-0241-2 (2017).

Artikel MathSciNet Google Scholar

Salarian, A. Gangbeurteilung bei der Parkinson-Krankheit: Auf dem Weg zu einem ambulanten System zur Langzeitüberwachung. IEEE Trans. Biomed. Ing. 51, 1434–43. https://doi.org/10.1109/TBME.2004.827933 (2004).

Artikel PubMed Google Scholar

Moon, Y., Sung, J., An, R., Hernandez, M. & Sosnoff, J. Gangvariabilität bei Menschen mit neurologischen Störungen: Eine systematische Überprüfung und Metaanalyse. Summen. Mov. Wissenschaft. 47, 197–208. https://doi.org/10.1016/j.humov.2016.03.010 (2016).

Artikel PubMed Google Scholar

Moe-Nilssen, R. & Helbostad, JL Schätzung der Gangzykluseigenschaften durch Rumpfbeschleunigungsmessung. J. Biomech. 37, 121–126. https://doi.org/10.1016/S0021-9290(03)00233-1 (2004).

Artikel PubMed Google Scholar

England, S. & Granata, K. Der Einfluss der Ganggeschwindigkeit auf die lokale dynamische Stabilität des Gehens. Ganghaltung 25, 172–8. https://doi.org/10.1016/j.gaitpost.2006.03.003 (2007).

Artikel PubMed Google Scholar

Rosenstein, MT, Collins, JJ & De Luca, CJ Eine praktische Methode zur Berechnung der größten Lyapunov-Exponenten aus kleinen Datensätzen. Physica D Nichtlineares Phänomen. 65, 117–134. https://doi.org/10.1016/0167-2789(93)90009-P (1993).

Artikel ADS MathSciNet MATH Google Scholar

Wallot, S. & Mønster, D. Berechnung der durchschnittlichen gegenseitigen Information (AMI) und der falsch-nächsten Nachbarn (FNN) zur Schätzung der Einbettungsparameter mehrdimensionaler Zeitreihen in Matlab. Vorderseite. Psychol. 9, 1679. https://doi.org/10.3389/fpsyg.2018.01679 (2018).

Artikel PubMed PubMed Central Google Scholar

Caby, B., Kieffer, S., Hubert, M., Cremer, G. & Macq, B. Merkmalsextraktion und -auswahl für eine objektive Ganganalyse und Sturzrisikobewertung durch Beschleunigungsmessung. Biomed. Ing. Online 10, 1. https://doi.org/10.1186/1475-925X-10-1 (2011).

Artikel PubMed PubMed Central Google Scholar

Castiglia, S. et al. Fähigkeit einer Reihe von Rumpfinertialindizes des Gangs, Ganginstabilität und wiederkehrende Stürze bei der Parkinson-Krankheit zu identifizieren. Sensoren 21, 3449. https://doi.org/10.3390/s21103449 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Zou, H. & Hastie, T. Regularisierung und Variablenauswahl über die elastischen Netze. JR-Stat. Soc. B 67, 301–320 (2015).

Artikel MathSciNet MATH Google Scholar

Fan, J. & Li, R. Statistische Herausforderungen mit hoher Dimensionalität: Merkmalsauswahl bei der Wissensentdeckung. In Proceedings of the Madrid International Congress of Mathematicians, Bd. 3 (2006).

Parvandeh, S., Yeh, H.-W., Paulus, MP & McKinney, BA Consensus bietet verschachtelte Kreuzvalidierung. Bioinformatik 36, 3093–3098. https://doi.org/10.1093/bioinformatics/btaa046 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Torgo, L., Branco, P., Ribeiro, RP & Pfahringer, B. Resampling-Strategien für die Regression. Expertensystem. 32, 465–476. https://doi.org/10.1111/exsy.12081 (2015).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde teilweise durch das „Ricerca corrente RC2020-RC2021-Programm“ und teilweise durch die 5 × 1000-Fonds unterstützt. AF2018: „Data Science in Rehabilitation Medicine“ AF2019: „Studie und Entwicklung biomedizinischer Datenwissenschaft und Methoden des maschinellen Lernens zur Unterstützung.“ die Angemessenheit und den Entscheidungsprozess in der Rehabilitationsmedizin“ des italienischen Gesundheitsministeriums. Diese Studie wurde auch von der Region Toskana durch das Tuscany Network for BioElectronic Approaches in Medicine unterstützt: KI-basierte Vorhersagealgorithmen zur Feinabstimmung von Elektrozeutika-Behandlungen bei neurologischen, kardiovaskulären und endokrinologischen Erkrankungen (TUNE-BEAM, Nr. H14I20000300002).

Diese Autoren haben gleichermaßen beigetragen: Maurizio Ferrarin und Andrea Mannini.

AIRLab, IRCCS Don Carlo Gnocchi Foundation ONLUS, 50143, Florenz, Italien

Piergiuseppe Liuzzi und Andrea Mannini

Scuola Superiore Sant'Anna, Institut für BioRobotik, 56025, Pontedera, Italien

Piergiuseppe Liuzzi und Maria Chiara Carrozza

LAMoBIR und LaRiCE, IRCCS Don Carlo Gnocchi Foundation ONLUS, 20148, Mailand, Italien

Ilaria Carpinella, Denise Anastasi, Elisa Gervasoni, Tiziana Lencioni, Rita Bertoni, Davide Cattaneo und Maurizio Ferrarin

Abteilung für medizinisch-chirurgische Pathophysiologie und Transplantationspathophysiologie, Universität Mailand, 20122, Mailand, Italien

David Cattaneo

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Studienkonzeption und -design: DC, MF, AM Datenerfassung: EG, DA, RB Klinische Beurteilung der Patienten: EG, DA, RB Signalausarbeitung: IC, TL Datenanalyse: PL, AM Dateninterpretation: alle Autoren. Manuskripterstellung: PL, IC Kritische Überarbeitung des Manuskripts: alle Autoren.

Korrespondenz mit Ilaria Carpinella.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Liuzzi, P., Carpinella, I., Anastasi, D. et al. Auf maschinellem Lernen basierende Schätzung des dynamischen Gleichgewichts und der Ganganpassungsfähigkeit bei Personen mit neurologischen Erkrankungen mithilfe von Inertialsensoren. Sci Rep 13, 8640 (2023). https://doi.org/10.1038/s41598-023-35744-x

Zitat herunterladen

Eingegangen: 13. Februar 2023

Angenommen: 23. Mai 2023

Veröffentlicht: 27. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-35744-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.