通过多中心步态数据自动识别脑中具有临床意义的生物机械表型
Adam Graf1, Joseph J Krzak2, Karen M Kruger3
1Motion Analysis Center Engineer, Shriners Children's Chicago, 2211 North Oak Park Avenue, Chicago, IL 60707, United States of America.
Clinical biomechanics (Bristol, Avon)
|April 16, 2025
概括
这项研究开发了自动化算法,以客观地分类脑麻步行表型. 更严重的脑性麻形式显示出更频繁和结合的步态偏差,改善了个性化治疗.
科学领域:
- 生物机械分析分析
- 临床信息学是一种临床信息学.
- 儿科整形医生 儿科整形医生
背景情况:
- 大脑 (CP) 是儿童的主要运动残疾,影响行走能力.
- 目前在CP中描述的步态模式依赖于主观的临床评估.
- 需要客观,数据驱动的方法来描述CP步行功能障碍.
研究的目的:
- 引入和验证用于客观识别脑中临床相关的生物机械步态表型的自动化算法.
- 评估行走偏差严重程度与脑的临床分类之间的相关性.
- 通过精确的步态表型,增强脑患者的治疗策略.
主要方法:
- 在Python中开发了两种新的自动分类算法,用于斜面和横面平面步态分析.
- 这些算法应用于700名脑患者仪器化步态分析的多中心数据集.
- 使用临床专业知识和来自四个Shriners儿童运动分析中心的数据来改进算法.
主要成果:
- 成功创建了新型的斜面和横面平面步行现象类型算法.
- 证明更严重的步态偏差,或它们的组合,在高级形式的脑中明显更为普遍.
- 在被研究的大脑麻痺队列中量化行走表型分布.
结论:
- 在脑中生物机械表型的客观分类为治疗干预提供了关键的见解.
- 自动化,数据驱动的算法可以实现高效,准确和可靠的步态表型.
- 这种方法支持基于证据的个性化治疗决策和脑患者的临床管理.
