기계 학습은 다발성 경화증 환자의 보행 문제를 감지하는 데 도움이 됩니다.

다발성 경화증 관련 보행 문제의 진행을 모니터링하는 것은 50세 이상의 성인에서 어려울 수 있으며, 임상의는 MS와 다른 연령 관련 문제와 관련된 문제를 구별해야 합니다. 이 문제를 해결하기 위해 연구원들은 보행 데이터와 기계 학습을 통합하여 질병 진행을 모니터링하고 예측하는 데 사용되는 도구를 발전시켰습니다.

다발성 경화증은 전 세계적으로 영향을 미치는 약 2백만 명의 사람들에게 여러 가지 방법으로 나타날 수 있으며 보행 문제는 일반적인 증상입니다. 환자의 약 절반은 발병 후 15년 이내에 보행 보조가 필요합니다. 연구자들은 노화와 동시 다발성 경화증 질병 관련 변화 사이의 상호 작용과 다발성 경화증이 있는 노인에서 둘을 구별할 수 있는지 여부를 확인하려고 했습니다. 머신 러닝 기술은 성능의 복잡한 숨겨진 변화를 발견하는 데 특히 효과적입니다.

기구가 장착된 러닝머신을 사용하여 팀은 다발성 경화증이 있는 성인 20명과 다발성 경화증이 없는 20명의 연령, 체중, 키 및 성별이 일치하는 노인으로부터 신체 크기 및 인구통계에 대해 정규화된 보행 데이터를 수집했습니다. 참가자들은 최대 75초 동안 편안한 속도로 걸었고 전문 소프트웨어는 각 보행 중 보행 이벤트, 해당 지면 반력 및 압력 중심 위치를 캡처했습니다. 팀은 각 시도 동안 보행의 변화를 조사하기 위해 각 참가자의 보폭에서 특징적인 공간적, 시간적, 운동적 특징을 추출했습니다.

나비 다이어그램이라는 데이터 기능을 포함한 다양한 보행 기능의 변화는 팀이 참가자 간의 보행 패턴 차이를 감지하는 데 도움이 되었습니다. 이 다이어그램은 대상이 걷는 동안 여러 번 연속적으로 보폭을 반복하는 압력 중심 궤적에서 생성된 나비 모양의 곡선에서 이름을 얻었으며 중요한 신경 기능과 관련이 있습니다.

걷기와 같은 생체 역학 시스템은 제대로 모델링되지 않은 시스템으로 임상 환경에서 문제를 발견하기 어렵습니다. 새로운 방법은 각 개인에 대한 많은 측정치를 포함하지만 소수의 개인을 포함하는 데이터 세트에서 결론을 추출했습니다. 이 작업의 결과는 임상 머신 러닝 기반 질병 예측 전략 분야에서 상당한 진전을 이루었습니다.