Estimación basada en aprendizaje automático del equilibrio dinámico y la adaptabilidad de la marcha en personas con enfermedades neurológicas utilizando sensores inerciales

Scientific Reports volumen 13, Número de artículo: 8640 (2023) Citar este artículo

576 Accesos

2 Altmetric

Detalles de métricas

El equilibrio dinámico deficiente y la adaptación de la marcha deteriorada a diferentes contextos son características de las personas con trastornos neurológicos (PwND), lo que genera dificultades en la vida diaria y un mayor riesgo de caídas. Por lo tanto, la evaluación frecuente del equilibrio dinámico y la adaptabilidad de la marcha es esencial para monitorear la evolución de estas deficiencias y/o los efectos a largo plazo de la rehabilitación. El índice de marcha dinámico modificado (mDGI) es una prueba clínica validada específicamente dedicada a evaluar las facetas de la marcha en entornos clínicos bajo la supervisión de un fisioterapeuta. La necesidad de un ambiente clínico, en consecuencia, limita el número de evaluaciones. Los sensores portátiles se usan cada vez más para medir el equilibrio y la locomoción en contextos del mundo real y pueden permitir un aumento en la frecuencia de monitoreo. Este estudio tiene como objetivo proporcionar una prueba preliminar de esta oportunidad mediante el uso de regresores de aprendizaje automático anidados con validación cruzada para predecir las puntuaciones mDGI de 95 PwND a través de señales inerciales recopiladas de caminatas cortas en estado estacionario derivadas de la prueba de caminata de 6 minutos. Se compararon cuatro modelos diferentes, uno para cada patología (esclerosis múltiple, enfermedad de Parkinson y accidente cerebrovascular) y otro para la cohorte multipatológica agrupada. Las explicaciones del modelo se calcularon sobre la solución de mejor rendimiento; el modelo entrenado en la cohorte multipatológica arrojó una mediana (rango intercuartílico) de error de prueba absoluto de 3,58 (5,38) puntos. En total, el 76 % de las predicciones estuvieron dentro del cambio mínimo detectable de 5 puntos del mDGI. Estos resultados confirman que las mediciones de la marcha en estado estacionario brindan información sobre el equilibrio dinámico y la adaptabilidad de la marcha y pueden ayudar a los médicos a identificar características importantes para mejorar durante la rehabilitación. Los desarrollos futuros incluirán la capacitación del método utilizando episodios cortos de caminata en estado estable en entornos del mundo real, analizando la viabilidad de esta solución para intensificar el monitoreo del rendimiento, brindando una detección rápida de empeoramiento/mejoría y complementando las evaluaciones clínicas.

Las personas sanas se adaptan fácilmente a las perturbaciones ambientales: se recuperan de impulsos externos y aprenden dinámicas de caminar en diferentes contextos. La locomoción requiere una modulación continua de la coordinación dentro y entre las extremidades para mantener el equilibrio durante la progresión y adaptarse a las demandas del entorno del mundo real (p. ej., pasar de caminar en línea recta a caminar sobre un obstáculo)1. Para lograr este objetivo, el sistema nervioso central explota el control sensoriomotor que transmite e integra entradas sensoriales visuales, propioceptivas y vestibulares para detectar desviaciones de la postura erguida y generar la respuesta muscular apropiada para corregir estas desviaciones1, 2. Debido a que la retroalimentación sensoriomotora está alterada en personas con trastornos neurológicos (PwND), el equilibrio dinámico (es decir, la capacidad de mantener el equilibrio mientras se mueve el cuerpo) y su adaptabilidad a los cambios ambientales se ven afectados3, lo que conduce a un alto riesgo de caídas. De hecho, los predictores de caídas que se encuentran con más frecuencia son las alteraciones de la marcha y los trastornos del equilibrio4. Por lo tanto, se han desarrollado muchas herramientas de evaluación del equilibrio dinámico, incluidas escalas clínicas5, marcadores cuantitativos de la marcha6, posturografía7, protocolos de prevención de caídas8 y pruebas de tarea única y doble9. En cuanto a las escalas clínicas, la escala de equilibrio de Berg10, el MiniBESTest10, el timed up and go (TUG)11 y el índice de marcha dinámico modificado (mDGI)12, 13 se encuentran entre las más utilizadas en la práctica clínica para medir el equilibrio en PwND. En comparación con la escala de Berg, que no evalúa el equilibrio dinámico durante la locomoción, y TUG y MiniBESTest, que evalúan este aspecto en algunas tareas funcionales (es decir, una tarea en TUG y cinco tareas en MiniBESTest), el mDGI está específicamente dedicado a medir la capacidad de un individuo para mantener el equilibrio y adaptar su marcha en presencia de diversas demandas ambientales, esenciales para realizar las actividades locomotoras de la vida diaria sin caerse. El mDGI evalúa ocho facetas de la marcha; evalúa la distancia, el tiempo, el ambiente, el terreno, la carga física, la atención y las transiciones posturales, que son representativas de las demandas ambientales de un ser humano que camina. La puntuación más alta posible en el mDGI es de 64 puntos. El mDGI se ha validado ampliamente en sujetos con problemas de movilidad14, 15 y en diferentes cohortes patológicas, como accidente cerebrovascular (ST), disfunción vestibular, esclerosis múltiple (EM), lesiones cerebrales traumáticas y enfermedad de Parkinson (EP)12, 13. Recientemente, Torcho et al. proporcionaron valores de corte para identificar PwND con riesgo mínimo o nulo de caídas (puntaje mDGI \(> 49\)) y PwND con alto riesgo de caídas (puntaje mDGI \(\le 29\))16. El cambio mínimo detectable en mDGI es de 5 puntos en PwND14, 15.

Un estudio previo de los ocho ítems del mDGI encontró una fuerte correlación entre la puntuación mDGI y los índices derivados instrumentalmente17, lo que sugiere que los determinantes cinemáticos pueden predecir el equilibrio dinámico. A pesar de estos resultados alentadores, la evaluación del equilibrio y la adaptación de la marcha a diferentes entornos todavía la realiza solo personal especializado en entornos clínicos y requiere herramientas específicas, como obstáculos o escaleras. Dichos requisitos, a su vez, limitan el número de posibles sesiones de evaluación, mientras que un seguimiento frecuente permitiría rastrear mejor el posible cambio causado por el curso de la patología o las intervenciones de rehabilitación/farmacológicas. En este sentido, la oportunidad de predecir el equilibrio dinámico y la adaptabilidad locomotora mediante el uso de sensores portátiles durante caminatas repetidas cortas (es decir, 10 zancadas) en estado estable, fácilmente realizadas durante la vida diaria también por PwND (por ejemplo, durante un paseo solo o con un cuidador) , representaría un primer paso para aumentar la frecuencia de seguimiento y complementar las evaluaciones periódicas en la clínica18, 19.

Como prueba preliminar de esta oportunidad, este estudio implementó un modelo de aprendizaje automático (ML) interpretable dirigido a la puntuación mDGI mediante el uso de unidades de medición inercial (IMU) para recopilar datos durante episodios cortos de caminata en estado estable de una prueba de caminata de 6 minutos (6MWT). ). Después de confirmar estadísticamente la asociación entre las variables instrumentales y la puntuación mDGI, planteamos la hipótesis de que los modelos de aprendizaje automático basados ​​en tales variables pueden predecir el equilibrio dinámico y la adaptabilidad de la marcha (es decir, puntuaciones mDGI) en PwND, incluida la esclerosis múltiple (EM), la enfermedad de Parkinson (EP) , o accidente cerebrovascular (ST). Si se confirma esta hipótesis, los resultados del presente estudio podrían ofrecer un punto de partida claro para evaluar la viabilidad de este enfoque en la vida diaria. Los determinantes de los aspectos temporales de la marcha, la intensidad, la suavidad, la estabilidad, la simetría y la regularidad se extrajeron de una configuración de 3-IMU. Luego, se desarrolló una regresión regularizada de Elastic-Net (EN) utilizando un enfoque de validación cruzada anidada. Esta canalización se repitió para la cohorte multipatológica (MP) y las cohortes de patología única (SP\(_{MS}\), SP\(_{PD}\) y SP\(_{ST}\)) . Además, integramos el modelo de solución de mejor rendimiento con una técnica de explicabilidad basada en valores de Shapley (SHapley Additive exPlanations, SHAP20, 21).

La cohorte agrupada (95 PwND, F = 43, mediana de edad = 60 años [IQR = 19]) dio como resultado una puntuación mediana de 6MWT de 346 m [IQR = 21] y una mediana de mDGI de 46 puntos [IQR = 21] (Tabla 1). Para los grupos MS, PD y ST, la mediana de duración de la enfermedad correspondió a 19, 4 y 7 años, respectivamente. La mediana de 6MWT fue 316 [IQR = 182], 332 [IQR = 194] y 372 [IQR = 152] m, y la mediana de la puntuación mDGI fue 40 [IQR = 21], 46 [IQR = 29] y 50 [IQR = 14], respectivamente. Siguiendo los valores de corte definidos por Torchio et al.16, 39 de los 95 participantes (41%) tenían un riesgo de caída bajo/mínimo (mDGI score > 49), mientras que 17 (18%) tenían un riesgo de caída alto (mDGI puntuación \(\le\) 29). El número (porcentaje) de personas con riesgo de caída pequeño/mínimo fue 18 (35 %) para la EM, 17 (59 %) para la EP y 4 (27 %) para el grupo ST. El número (porcentaje) de personas con alto riesgo de caídas fue de 7 (14 %) para la EM, 3 (10 %) para la EP y 4 (27 %) para el grupo ST.

La correlación preliminar univariante de Spearman mostró que el 6MWT se asoció significativamente con el mDGI (\(p < 0,001\)) para las cohortes agrupadas e individuales (Tabla 2). En la cohorte agrupada, las duraciones más largas de la zancada y los tiempos de doble apoyo dieron como resultado una disminución en el mDGI. Se encontró una asociación positiva con el equilibrio dinámico para el swing y el tiempo de apoyo único. Se encontraron las mismas tendencias en los grupos de EM y PD. Por el contrario, el grupo ST exhibió este comportamiento solo para \(T_{d,support}\) y \(T_{s,support}\). La regularidad de la marcha (en forma de regularidad de pasos y zancadas) se asoció positivamente con la puntuación mDGI (\(p < 0,01\)) para todos los ejes en las cohortes agrupadas y con EM, y en los ejes verticales para el grupo PD. Además, la regularidad de la zancada mediolateral (ML) se correlacionó positivamente con el mDGI en pacientes con EP. La suavidad de la marcha, expresada como una relación armónica mejorada (iHR), resultó en una relación positiva con el mDGI para los tres ejes en las cohortes MS, PD y agrupadas y en la dirección vertical (VT) para pacientes con ST. Los valores de aceleración cuadrática media se asociaron significativamente con el mDGI para todos los grupos y todos los ejes. Los exponentes de Lyapunov en la dirección AP de las cohortes agrupadas y de EM mostraron una asociación negativa con el resultado (\(p < 0,01\)). El grupo de patología única, específicamente los grupos de EM y PD, demostraron una relación inversamente significativa entre el tirón vertical normalizado y los valores de mDGI. Además, en personas con ST y MS, el mDGI se asoció inversamente con la edad y la duración de la enfermedad. La presencia de soporte bilateral o monolateral redujo significativamente el rendimiento de mDGI, particularmente en los grupos de EM y PD.

En el modelo MP, el modelo EN optimizado dio como resultado un regresor con un error de validación absoluto medio de 4,07 puntos [IQR = 0,07] en los 95 pliegues exteriores de exclusión de un sujeto (LOSO). El error absoluto de la prueba agregada fue igual a 3,58 puntos [IQR = 5,41] con un \(R^{2} = 0,81\) (Fig. 1, panel A). Por lo tanto, el 76% de las predicciones estuvieron dentro del cambio mínimo detectable de mDGI de 5 puntos. Al subdividir las predicciones de MP en las tres subcohortes (Fig. 1, panel C) y calcular los coeficientes de correlación dentro de los grupos, se obtuvo un \(R^{2}\) de 0,79, 0,85 y 0,78 respectivamente para el MS, subcohortes PD y ST, respectivamente. De manera similar, los errores de las pruebas grupales individuales dieron como resultado 2,92 [IQR = 5,21], 4,11 [IQR = 6,04] y 3,22 [IQR = 4,41] puntos para las subcohortes MS, PD y ST, respectivamente. Los modelos de patología única (SP) dieron como resultado un error de prueba general (agregado) de 4,91 puntos [IQR = 5,09] y \(R^{2}\) = 0,76 (Fig. 1, panel B). Es decir, los modelos SP individuales dieron como resultado un error de prueba absoluto medio de 4,64 puntos [IQR = 3,86] para el grupo MS, 4,76 puntos [IQR = 9,47] para el grupo PD y 5,64 puntos [IQR = 2,92] para el grupo ST ( Fig. 1, panel D). No se encontraron diferencias significativas (pruebas de rango con signo de Wilcoxon) entre los modelos SP combinados y el modelo MP o entre los modelos SP individuales y sus respectivas agrupaciones de predicciones MP. Los modelos entrenados con datos no derivados de sensores inerciales dieron como resultado una precisión reducida tanto en el caso de MP como en el de SP. En particular, para los modelos MP y SP combinados, \(R^{2}\) disminuyó de 0,81 a 0,56 y de \(R^{2}\) = 0,76 a 0,46, respectivamente (Figura complementaria 1) . Aplicando un umbral de 5 al modelo MP derivado únicamente de datos clínicos, se obtuvo una precisión de clasificación del 49 %. De manera similar, después de seleccionar patologías individuales del modelo MP, \(R^{2}\) disminuyó de 0,79, 0,85 y 0,78–0,55, 0,75 y 0,22, respectivamente para los modelos MS, PD y ST (Fig. 1). Para evaluar el rendimiento predictivo del modelo sin la puntuación 6MWT (estimación de la velocidad al caminar), se repitió la tubería, eliminando esta información de los datos de entrenamiento (Figura 2 complementaria). Este enfoque resultó en un error absoluto medio de 5,01 [IQR = 5,6] para el modelo MP (\(R^{2}\) = 0,78), sin diferencias significativas con el modelo MP con la puntuación 6MWT incluida (Mann-Whitney , \(p > 0,05\)).

Gráfico de predicciones de prueba para el modelo MP (panel A) y los modelos ST (panel B). En ambos paneles, el color del marcador indica el tipo de asistencia técnica mientras que el tipo de marcador indica la patología. La línea gris discontinua \(y = x\) indica predicciones ideales, mientras que el rectángulo gris sombreado a su alrededor representa un límite de \(\pm 5\) puntos (MDC). A continuación, con diagramas de violín (y diagramas de enjambre superpuestos) se representan las distribuciones de error absoluto de la prueba. Los errores de prueba del modelo MP (MP) se agruparon según la patología (\(MP_{MS}, \; MP_{PD}, \; MP_{ST}\)) y se proporcionaron en el panel (C), mientras que los modelos SP (\(SP_{combined}\)) los errores de prueba combinados y los respectivos modelos individuales se informan en el panel (D).

En el modelo MP (Fig. 2, panel A), la presencia de un dispositivo de asistencia bilateral o monolateral fue el factor que mostró la asociación negativa más fuerte con el resultado. Los coeficientes de Lyapunov, calculados en los tres ejes, se correlacionaron negativamente con la predicción mDGI. Además, \(T_{stride}\) y \(T_{d,supp}\) más largos se relacionaron con un equilibrio dinámico reducido (es decir, una puntuación mDGI más baja). Resistencia al caminar (es decir, la distancia recorrida en 6 min, medida con el 6MWT), intensidad del movimiento (es decir, Acc.RMS), regularidad de la zancada calculada en los ejes AP/VT y duración de la fase de apoyo único \(T_{ s,supp}\) se asociaron positivamente con las puntuaciones mDGI y, en consecuencia, con una gran capacidad para mantener el equilibrio dinámico. En el modelo \(SP_{MS}\) (Fig. 2, panel B), la presencia de un dispositivo de asistencia, \(T_{stride}\) más largos y más largos \(T_{d,supp}\) se asociaron con valores inferiores de mDGI. Además, los valores más altos de jerk normalizados y los exponentes de Lyapunov más altos en las direcciones VT/AP dieron como resultado un equilibrio dinámico reducido. El aumento de la regularidad de la zancada en los tres ejes, \(T_{s,supp}\) más largos y valores de aceleración más altos en los ejes AP se relacionaron con una mDGI más alta en el grupo de EM.

Coeficientes de regresión \(\beta\) de los modelos Elastic-Net para MP (panel A), \(SP_{MS}\) (panel B), \(SP_{PD}\) (panel C) y \( SP_{ST}\) (panel D). Se agregan los coeficientes de regresión obtenidos a partir de los modelos de división externa de exclusión de un sujeto. Por lo tanto, el peso de cada variable se indica a través de un gráfico de caja en lugar de un gráfico de barras para tener en cuenta esta variabilidad. Las características se ordenan en orden ascendente de mediana \(\beta\) valores a través de los pliegues.

En el grupo de DP, la presencia de un dispositivo de asistencia fue la variable que mostró la asociación más negativa con el resultado (Fig. 2, panel C). Las puntuaciones más bajas de mDGI en personas con EP también se vieron afectadas negativamente por valores más altos de \(CV_{T,step}\), \(CV_{T,stride}\) (es decir, variabilidad de pasos y zancadas) y \(T_{stride }\). Por el contrario, el Lyapunov de los ejes ML/AP mantuvo un fuerte efecto negativo sobre el mDGI en el modelo PD. Las personas con EP casi no se vieron afectadas por los cambios en los coeficientes de Lyapunov en la dirección vertical. Los valores RMS de aceleración más rápida y una mayor regularidad de zancada en las tres direcciones se asociaron con valores mDGI más altos en el modelo PD y una mayor simetría de la marcha cuantificada por \(iHR_{AP}\) y \(iHR_{ML}\).

En particular, en el modelo ST, la duración de la enfermedad y la presencia de dispositivos de asistencia fueron las variables que se asociaron más negativamente con el mDGI. Los coeficientes de Lyapunov en todas las direcciones afectaron el equilibrio de los participantes después del accidente cerebrovascular (Fig. 2, panel D). Como en el caso de los participantes con EP, la cohorte ST exhibió una fuerte asociación negativa entre \(CV_{T,step}\) y \(CV_{T,stride}\) y la puntuación mDGI. La regularidad de la zancada y los valores de aceleración RMS en los ejes AP fueron las características más fuertemente correlacionadas con los mDGI de los participantes después del ictus.

Los valores SHAP del modelo MP (Fig. 3) indicaron que el predictor mDGI más fuerte es la puntuación 6MWT. Con respecto a los dispositivos de asistencia, se observan tres efectos distintivos: sin dispositivo de asistencia (azul), asistencia monolateral (púrpura) y asistencia bilateral (rosa). En comparación con la asistencia monolateral, el uso de dispositivos de asistencia bilateral resultó en mayores limitaciones de las capacidades dinámicas. Junto con los coeficientes de regresión relacionados, los valores altos de regularidad de zancada en los ejes VT y AP impactaron positivamente en el mDGI. Además, los valores más altos de aceleración RMS anteroposterior contribuyeron a aumentar los valores predichos. Los valores de SHAP confirmaron que los coeficientes de Lyapunov en los tres ejes proporcionaron una fuerte contribución a la predicción de mDGI con un efecto negativo (es decir, los coeficientes de Lyapunov más altos predicen una mDGI más baja). Además, los pasos más rápidos y los períodos de apoyo único más prolongados influyeron positivamente en las predicciones del modelo. Las contribuciones de las características a la predicción de los pacientes con un error de predicción absoluto superior a 10 puntos se compararon con las contribuciones de toda la cohorte. No se encontraron diferencias sistemáticas en la importancia de las características entre los pacientes mal clasificados y los predichos correctamente (Fig. 3, panel A y B).

Los valores SHAP del modelo MP se calcularon para todas las coaliciones de características repetidamente para cada uno de los pliegues de prueba externos y se agregaron juntos. En el panel (A y B) se presentan ordenados según la \(media|Shapley_{i}|\) de todos los pacientes de prueba. Respectivamente, en el panel (A) se informan todas las instancias, mientras que en el panel (B) solo se muestran las instancias mal clasificadas por más de 10 puntos mDGI. En los ejes x, se informa la contribución de normalización de las características individuales en los valores de mDGI, siendo la predicción del modelo para cada paciente la suma de la contribución de todas las características.

En este estudio, entrenamos, optimizamos y realizamos una validación cruzada de un modelo de regresión de red elástica capaz de predecir la puntuación mDGI a partir de una configuración de 3-IMU utilizada durante episodios cortos de caminata en estado estable (10 zancadas cada uno) extraídos del 6MWT. El error de la mediana [IQR] fue de 3,58 [5,38] puntos, que es más bajo que el mDGI MDC (es decir, 5 puntos). Se eligió la red elástica como el modelo adoptado porque es una regresión lineal multivariante regularizada y uno de los modelos ML más simples. En particular, la regularización fue necesaria para abordar la alta dimensionalidad de los predictores en comparación con el tamaño de muestra moderado y para evitar el sobreajuste. Se eligió la regularización en lugar de los métodos estadísticos de detección de características para evitar la contaminación de las pruebas en tren. Por último, las regresiones lineales, como la red elástica, también permiten la evaluación de los coeficientes de regresión y, por lo tanto, una evaluación de la importancia de las características basada en modelos. La comparación de los modelos desarrollados con algoritmos entrenados solo en características no derivadas de IMU (puntaje 6MWT y presencia de dispositivos de asistencia) mostró que las características basadas en IMU son cruciales en la evaluación del equilibrio dinámico y la adaptabilidad de la marcha. En particular, la comparación de los rendimientos de clasificación obtenidos después de aplicar un umbral basado en MDC mostró cómo el uso de funciones relacionadas con IMU mejoró la precisión en un 27 % (de 49 a 76 %), lo que resultó en una mejor clasificación para 26 de 95 pacientes. Estos resultados alentadores representan un sólido punto de partida para futuros estudios que se centren en la viabilidad de este enfoque en contextos del mundo real, con el objetivo final de aumentar la frecuencia de monitoreo y complementar la evaluación en la clínica.

El modelo multipatología (MP), entrenado con una cohorte de personas con EM, PD y ST, resultó en la solución de mejor rendimiento. Inesperadamente, los modelos de patología única (SP) no superaron a los modelos MP. La razón puede ser doble. Primero, las cohortes PD y ST eran considerablemente más pequeñas que la cohorte MS. Por lo tanto, en personas con ST y PD, las predicciones de los modelos entrenados en la cohorte MP pueden haber estado influenciadas por la presencia, en el conjunto de entrenamiento, de los pacientes con EM, que comprendían casi el 50 % de los participantes. En segundo lugar, diferentes deficiencias neurológicas podrían dar lugar a diferentes alteraciones del patrón de marcha, lo que daría lugar a efectos comparables en términos de equilibrio dinámico y adaptabilidad de la marcha, que aún pueden ser interpretables por un modelo MP. Esto último se confirmó aún más por la presencia de diferencias significativas entre los grupos en el tiempo de la marcha (tiempo de apoyo doble y único, tiempo de paso y balanceo) y la regularidad de la marcha (tanto el paso como la zancada) en los tres ejes (Tabla complementaria 1). Esto podría superar la necesidad de entrenar e implementar modelos individuales para patologías específicas. En este estudio, incluimos varias variables independientes para predecir la puntuación mDGI, incluida información sobre la demografía de los participantes, la duración de la enfermedad y el tipo de dispositivo de asistencia, que se sabe que están asociados con el equilibrio dinámico17, 22 y la evaluación del riesgo de caídas23, 24. Además, incluimos un conjunto de características clínicas y basadas en sensores portátiles descriptivas de los aspectos espacio-temporales de la marcha (es decir, puntaje 6MWT, duración de la zancada, paso, fases de apoyo único y apoyo doble) y calidad de la marcha (es decir, intensidad y suavidad del movimiento, zancada/regularidad y variabilidad de pasos, simetría de la marcha e inestabilidad dinámica local)25,26,27, que se sabe que están alterados en PwND3, 19, 28,29,30,31,32. Las alteraciones en los parámetros espacio-temporales de la marcha han sido bien documentadas en MS33, PD34 y ST35. Por el contrario, la cuantificación de factores relacionados con la calidad de la marcha ha despertado interés recientemente; en comparación con los factores espacio-temporales, los aspectos son (1) más robustos a las diferencias en los entornos de prueba27, (2) más sensibles a las deficiencias leves36, (3) más sensibles a los efectos de la rehabilitación37 y (4) más fuertemente asociados con el paciente- capacidad para caminar informada38.

Los modelos lineales pueden asociar niveles de importancia con las características, conservando la transparencia en la construcción del modelo (p. ej., coeficiente \(\beta\) en regresiones y estadísticas de prueba en comparaciones de grupos). Sin embargo, tales técnicas aún no proporcionan una estimación del paciente de la contribución de las características a las predicciones. Por esta razón, incorporar la regresión regularizada de red elástica con SHAP da como resultado modelos traducibles, fomentando la confianza de los operadores clínicos y la interpretabilidad de los errores. Con respecto a las características más importantes según SHAP (Fig. 3), la puntuación 6MWT tuvo el mayor impacto en la predicción de la puntuación mDGI y confirmó la fuerte correlación positiva entre el 6MWT y las medidas de equilibrio clínico (es decir, DGI, Berg Balance Scale, MiniBESTest y prueba TUG) encontradas previamente en personas con MS39, PD40 y ST41. Aunque el 6MWT evalúa la resistencia al caminar, su puntaje puede considerarse como una estimación de la velocidad de la marcha sostenible durante largos períodos de tiempo. Por lo tanto, estos resultados refuerzan la importancia de la velocidad de la marcha como "sexto signo vital"42 que se asocia con varias consideraciones relacionadas con la salud, incluido el equilibrio dinámico y las caídas43. El uso de un dispositivo de asistencia fue la segunda característica más importante en la predicción de la puntuación mDGI. Este resultado era esperado, ya que el nivel de asistencia representa uno de los subpuntajes clínicos mDGI. Sin embargo, cabe destacar que un estudio previo sobre personas con trastornos neurológicos17 mostró que las medidas basadas en IMU que describen la locomoción durante las tareas de mDGI (1) indicaron un mayor deterioro en las personas que usan dispositivos de asistencia que en las que no los usan, y (2 ) se correlacionó significativamente con las puntuaciones mDGI y TUG. Combinados, estos resultados fortalecieron la asociación entre las ayudas para caminar y los patrones de marcha deteriorados y, como consecuencia de esta correlación, un equilibrio dinámico más deficiente. Además, dado que los dispositivos de asistencia a menudo se adoptan cada vez que se produce un trastorno del equilibrio dinámico, es razonable especular que los dispositivos de asistencia están asociados con un mayor riesgo de caídas.

Seis de los 10 contribuyentes más importantes fueron descriptivos de la calidad de la marcha (es decir, regularidad, intensidad e inestabilidad dinámica), destacando aún más la importancia de estas variables en la caracterización de la locomoción y el equilibrio dinámico. El papel de estos parámetros en la predicción de mDGI persistió a pesar de la fuerte contribución de la velocidad de la marcha (6MWT), lo que sugiere que, a pesar de su dependencia de la velocidad de la marcha44, estas métricas proporcionan información adicional diferente. Este último demuestra que para mantener un equilibrio dinámico suficiente, un control fino de la posición o la velocidad de los enlaces del cuerpo es una necesidad crucial, complementaria a tener una velocidad de marcha constante. Del mismo modo, Carpinella et al. encontraron correlaciones estadísticamente significativas entre las métricas de calidad de la marcha y la subpuntuación del ítem 8 del mDGI, incluso después de corregir la velocidad de la marcha45.

Entre las métricas de calidad de la marcha, la alta regularidad de zancada calculada a partir de las aceleraciones del tronco VT y AP proporcionó contribuciones positivas a la predicción de mDGI. Este resultado es consistente con los hallazgos en adultos mayores frágiles, cuyas deficiencias locomotoras y de equilibrio se caracterizaron por una mayor variabilidad de aceleración del tronco entre zancadas (es decir, menor regularidad de zancada) en las direcciones AP y VT46. Los autores especularon que este hallazgo podría estar relacionado con la incapacidad de los sujetos frágiles para generar una propulsión constante y bien equilibrada del cuerpo en el plano sagital. Esta hipótesis también podría aplicarse a PwND. Ya se han encontrado correlaciones significativas entre las métricas de regularidad de la zancada y las medidas de equilibrio en estudios previos de personas mayores47 y PwND45, 48, 49, lo que confirma que la regularidad de la marcha es un objetivo de rehabilitación potencial para mejorar el equilibrio dinámico y la adaptabilidad de la marcha. La intensidad del movimiento en la dirección AP (Acc. RMS\(_{AP}\)) también contribuyó positivamente al valor predicho de mDGI, es decir, cuanto mayor sea la aceleración AP del tronco, mejor será el equilibrio dinámico y la adaptabilidad de la marcha. Este resultado está respaldado por estudios previos que encuentran una reducción de la intensidad del movimiento en personas con EP, ST y SM50,51,52 (caracterizado por déficits de equilibrio) en comparación con controles sanos. Considerando la fuerte correlación entre la aceleración del tronco y la velocidad de la marcha44, una explicación preliminar para el resultado anterior podría ser que la aceleración del tronco se asocia positivamente con el equilibrio dinámico porque la velocidad de la marcha se asocia positivamente con el equilibrio dinámico. Sin embargo, se ha encontrado previamente una reducción en la intensidad del movimiento en personas con EM en comparación con sujetos sanos que caminan a una velocidad comparable53. Además, en el presente modelo, Acc. RMS\(_{AP}\) representó el cuarto factor más importante, a pesar de la fuerte contribución de la velocidad de la marcha (6MWT). Por lo tanto, se puede formular una segunda hipótesis: las personas con enfermedades neurológicas pueden minimizar el movimiento de la parte superior del cuerpo (es decir, la aceleración del tronco) durante la marcha en un esfuerzo por compensar las deficiencias de las extremidades inferiores (al amortiguar las perturbaciones de la extremidad afectada) y mantener la estabilidad dinámica50. La inestabilidad dinámica local de la marcha también proporcionó una fuerte contribución a la predicción mDGI. Este resultado indicó que un peor equilibrio dinámico está asociado con una mayor inestabilidad dinámica local, es decir, el sistema locomotor tiene mayor dificultad para hacer frente a pequeñas perturbaciones espontáneas causadas por factores ambientales (p. ej., superficies irregulares) o factores internos (p. ej., errores de neurocontrol)54. Un estudio anterior de personas sin discapacidades en etapa temprana con EM encontró que el exponente AP Lyapunov se correlacionó significativamente con escalas de equilibrio clínico como la Escala de Equilibrio Avanzado de Fullerton y el TUG28. Los hallazgos presentes refuerzan este resultado y demuestran que la inestabilidad dinámica local de la marcha está asociada con el equilibrio dinámico; este hallazgo también es válido para personas con discapacidad grave con diferentes afecciones neurológicas y, por lo tanto, puede considerarse una medida cuantitativa válida del control del equilibrio al caminar. Con respecto a las características temporales de la marcha, solo la duración de la zancada y el apoyo único se han encontrado entre los 10 factores más importantes para la predicción de mDGI. En particular, la zancada prolongada (es decir, la cadencia reducida) y la fase de apoyo único más corta (es decir, la duración del doble apoyo más larga) se asocian con un equilibrio dinámico más pobre, en línea con la típica estrategia de precaución protectora adoptada para compensar el deterioro del equilibrio y mantener una marcha estable45. Como se muestra en la Fig. 3, la simetría de la marcha, medida por las relaciones armónicas mejoradas (iHR), proporcionó solo una contribución menor a la estimación de la puntuación mDGI, lo que sugiere que este aspecto tiene una asociación más fuerte con la eficiencia energética de la marcha que con el equilibrio dinámico55.

En resumen, este trabajo demuestra que las medidas descriptivas de los episodios cortos de caminata en estado estable que componen el 6MWT incluyen información suficiente para predecir el equilibrio dinámico y la adaptabilidad de la marcha a las demandas externas e indican que las dos evaluaciones no son mutuamente independientes. Además, dado que el mDGI mide la adaptabilidad de la marcha a diferentes entornos, es razonable que una mejor calidad de la marcha resulte el punto focal de una pronta adaptación y, por lo tanto, de una marcha más saludable. Estos resultados pueden informar la rehabilitación al indicar las características más importantes que deben abordarse durante el entrenamiento del equilibrio. Los modelos desplegados fueron entrenados en datos registrados durante los 10 pasos centrales de un pasillo de hospital de 30 m recorridos repetidamente por el sujeto durante 6 min bajo la supervisión de un fisioterapeuta, según lo requerido por el 6MWT. Aunque este tipo de caminata no es equivalente a la que se usa en la vida cotidiana, estos resultados brindan una base prometedora para futuros estudios que prueben la posibilidad de extender la validez del modelo actual a caminatas libres más generales, incluidas caminatas cortas en estado estable extraídas de un paseo típico. Las tecnologías desarrolladas recientemente basadas en dispositivos portátiles ya permiten la adquisición y el procesamiento de datos durante la marcha sin restricciones y proporcionan resultados inmediatamente después de la grabación56 o incluso en tiempo real57, 58. En cuanto al tema específico de este estudio, la implementación de una aplicación de teléfono inteligente dedicada ( uno que incorpora el modelo propuesto con todos los procedimientos de procesamiento de datos) capaz de enviar automáticamente los resultados a los médicos podría permitir una evaluación repetida (autoadministrada o mínimamente supervisada por un cuidador) del equilibrio dinámico y la adaptabilidad de la marcha en entornos ecológicos durante las tareas de caminar que son fácilmente sostenidas por PwND. El uso de una aplicación de este tipo permitiría una mayor frecuencia de evaluación, permitiría el seguimiento de la evolución del rendimiento causado por la enfermedad o por los efectos del tratamiento de rehabilitación/farmacológico, y complementaría los exámenes en la clínica. Una de las limitaciones del estudio es el carácter retrospectivo y monocéntrico de los datos disponibles. Por lo tanto, dada la naturaleza retrospectiva de los datos, no se pudo evaluar el poder predictivo de las características relacionadas con IMU en subelementos individuales de la escala mDGI. Este último proporcionaría información sobre la relación entre los determinantes/deterioros específicos de la marcha y los diferentes dominios del concepto de equilibrio dinámico. Además, en el modelo propuesto, el contribuyente más fuerte a la predicción es la velocidad de la marcha, aquí estimada con la puntuación 6MWT, que comúnmente registra el fisioterapeuta en la práctica clínica pero que no está disponible en contextos de la vida real. Los desarrollos futuros del presente enfoque deberían incluir la estimación de la velocidad de la marcha a partir de sensores inerciales en el tronco59 o en las extremidades inferiores60, 61. Otra limitación es que las medidas instrumentadas calculadas a partir de la IMU estaban relacionadas con los 10 pasos centrales de corredores en línea recta únicamente, excluyendo así los índices descriptivos de giros. Esta elección se basó en estudios previos26, 50, 62 y en resultados publicados en adultos jóvenes sanos63, que demostraron que algunas de las medidas de calidad de la marcha consideradas (p. ej., relación armónica) se ven afectadas por los cambios de dirección; sin embargo, hasta donde sabemos, el efecto de los giros en otros índices, como los parámetros temporales, de suavidad e intensidad, no se ha estudiado previamente hasta el momento. Además, no hay datos disponibles sobre el efecto de girar mientras se camina sobre los parámetros de la marcha en personas con trastornos neurológicos. No obstante, considerando el alto impacto de los giros sobre el equilibrio y las caídas64, 65, la inclusión de medidas descriptivas de giros (p. ej., velocidad y duración de los giros) podría mejorar aún más la predicción de mDGI. Los estudios futuros deben abordar este problema y analizar la confiabilidad de la evaluación actual basada en IMU utilizando un grupo diferente de 10 pasos del 6MWT del paciente. Además, incluso si los clasificadores funcionan bien en promedio, las predicciones incluyen valores atípicos. Sin embargo, desde un punto de vista metodológico, el análisis SHAP confirma que estos valores atípicos no fueron el resultado de ningún sesgo consistente en la predicción y, por lo tanto, no fueron causados ​​por un error sistemático observable en nuestro conjunto de características. Este último, junto con el enfoque de validación cruzada anidada que simula la prueba de nuevos pacientes que ingresan al modelo, confirma la confiabilidad de los resultados. Desde un punto de vista clínico, la presencia de valores atípicos con un error de estimación de mDGI superior a 5 puntos podría dar lugar a una interpretación errónea de los resultados. Por ejemplo, si la diferencia entre las puntuaciones de mDGI recopiladas en dos momentos distintos es superior a 5 puntos, la causa podría ser un cambio significativo real en el rendimiento o un error de predicción. Para mitigar este problema, es esencial que el dispositivo portátil que incorpora el modelo de predicción envíe los resultados de forma automática e inmediata al médico para que pueda analizarlos y, si es necesario, organizar un examen en la clínica. Sin embargo, se necesita un análisis más detallado sobre el uso de un solo sensor IMU y su ubicación óptima antes de que los algoritmos se integren en una aplicación de teléfono inteligente. En conclusión, implementamos un modelo que usa técnicas de ML para predecir la puntuación mDGI en una cohorte de pacientes con deficiencias neurológicas y obtuvimos precisiones similares en todos los grupos de patología. El enfoque de validación cruzada anidada aseguró que, dentro del ciclo de prueba externo de exclusión de un sujeto, cada paciente fuera asignado al conjunto de prueba una vez. Por lo tanto, el bucle interno de validación cruzada k-fold, que se utiliza para la optimización de hiperparámetros, evita la contaminación entren-dev-test para la elección de los parámetros del modelo. Además, nuestro enfoque apuntó a una estimación del valor continuo de mDGI en lugar de clasificar grupos de acuerdo con su riesgo de caída66, 67. Este enfoque permite a los investigadores y médicos posprocesar las predicciones de regresión y derivar una clasificación imponiendo límites de error; lo contrario no es posible. Esta valiosa herramienta ayuda a cerrar la brecha entre el equilibrio tradicional y las evaluaciones supervisadas por la marcha en entornos clínicos y las evaluaciones automatizadas y autoadministradas en contextos de la vida real, con el objetivo de reducir el tiempo y los costos necesarios para rastrear la evolución de la enfermedad o los efectos del tratamiento.

Noventa y cinco personas que padecían enfermedades neurológicas fueron reclutadas del IRCCS Fondazione Don Carlo Gnocchi (Milán, Italia). La cohorte estaba compuesta por 51 personas con esclerosis múltiple (EM), 25 personas con enfermedad de Parkinson (EP) y 19 personas después de un accidente cerebrovascular (ST). Para ser incluidos en el estudio, los participantes debían tener entre 20 y 85 años; ser capaz de caminar 20 m, incluso con un dispositivo de asistencia; y tener una puntuación de \(\ge\) 21 en el miniexamen del estado mental (MMSE). Las personas con EM se incluyeron solo si tenían un diagnóstico determinado y no habían recaído en los dos meses anteriores. Las personas con EP se inscribieron solo si su puntaje de Hoehn y Yahr era < 4. Los participantes que sufrieron un accidente cerebrovascular se incluyeron solo si el tiempo posterior al inicio fue > 2 meses. Los criterios de exclusión incluyeron la incapacidad para comprender y firmar el consentimiento informado, la presencia de una complicación psiquiátrica o trastornos cardiovasculares o visuales importantes. Todos los participantes firmaron un consentimiento informado por escrito para participar en este estudio (de conformidad con la Declaración de Helsinki). Todos los métodos fueron aprobados por el Comité Ético de IRCCS Fondazione Don Carlo Gnocchi, Milán (ref 29-03-2017 y 13-02-2019). Todos los procedimientos se realizaron de acuerdo con las directrices y normas pertinentes.

El mDGI fue administrado por fisioterapeutas experimentados (Fig. 4, panel A)14. Consta de 8 ítems (p. ej., caminar girando la cabeza, caminar alrededor o sobre obstáculos, caminar en escaleras). Cada ítem se evalúa sobre la base de tres aspectos: patrón de marcha (subpuntuación: 0–3), nivel de asistencia (subpuntuación: 0–2) y tiempo (subpuntuación: 0–3). La puntuación total mDGI (es decir, la suma de las subpuntuaciones de todos los ítems) varía de 0 a 64, y los valores crecientes indican mejores actuaciones. En PwND, la cantidad de actividad anterior podría tener un impacto en los siguientes desempeños; por lo tanto, los participantes debían descansar después de la ejecución de mDGI. El tiempo de reposo fue determinado por el paciente y supervisado por el fisioterapeuta. Los participantes realizaron la prueba de caminata de 6 minutos (6MWT68), que mide la resistencia al caminar. La prueba requería caminar de un lado a otro a lo largo de un corredor de 30 m durante 6 min a una velocidad rápida pero segura. Si es necesario, el participante podría usar un dispositivo de asistencia. La presencia de un dispositivo de asistencia se codificó aquí como monolateral, bilateral o sin apoyo. Los participantes con EP fueron evaluados mientras estaban en fase durante la terapia antiparkinsoniana, aproximadamente dos horas después de la ingesta de medicamentos. El examinador registró la distancia recorrida durante 6 minutos y representó la puntuación clínica de la prueba. Los participantes ejecutaron el 6MWT usando tres IMU (MTw, XSens, NL) asegurados a la parte inferior del tronco (nivel L5) y vástagos, aproximadamente 20 mm por encima de los maléolos laterales. El sensor de tronco se colocó en la zona lumbar, ya que esta posición es la más utilizada, según la literatura69. La posición de los sensores de vástago se eligió por ser la asociada con menor inestabilidad del sensor, debido a artefactos de tejidos blandos. En particular, se encontró un informe de una disminución del 4% al 51% de artefactos en comparación con la colocación de IMU en otras partes de la pierna o de los pies70. Los sensores se fijaron al cuerpo mediante bandas elásticas con tiras de velcro, que también pueden ser aplicadas fácilmente por el sujeto de forma autónoma o con la ayuda de un cuidador. Se registraron aceleraciones tridimensionales y velocidades angulares de las tres IMU a una frecuencia de muestreo de 75 Hz; esta frecuencia se consideró adecuada para los propósitos del presente estudio ya que estaba dentro del rango de frecuencias de muestreo (25-1000 Hz) utilizadas en estudios previos69, 71. Luego, las aceleraciones del tronco se reorientaron a un sistema de coordenadas horizontal-vertical72. Para el análisis subsiguiente se consideraron únicamente las tandas cortas de marcha estacionaria, representadas por 10 zancadas consecutivas en el medio de cada corredor, después de descartar las porciones de señales correspondientes a los giros de 180\(^\circ\) al final de la misma. cada pasillo de 30 m73. Los eventos de pisada y desprendimiento del pie se calcularon a partir de la velocidad angular alrededor del eje medio lateral de cada pierna74. A continuación, se calcularon los determinantes temporales de la marcha, como la zancada media, el paso y el tiempo de balanceo, y la duración del apoyo simple y doble. Se eligieron estas métricas porque representan medidas tradicionales de la marcha y muestran deficiencias bien documentadas en PwND33,34,35. Además, para los tiempos de paso y zancada, se agregaron al conjunto de datos los respectivos coeficientes de variación, como medidas de la variabilidad de paso y zancada, que suelen ser más altos en PwND en comparación con sujetos sanos75. Luego, se calculó un conjunto de 18 métricas, a partir de todos los componentes de aceleración del tronco (anteroposterior, mediolateral y vertical), para proporcionar información sobre los dominios de calidad de la marcha (es decir, intensidad, regularidad, simetría, estabilidad y suavidad) propuestos por literatura previa27,28,29,30,31,32. La intensidad de la marcha se cuantificó a través del valor cuadrático medio de la aceleración27. El dominio de regularidad de la marcha se representó mediante índices de regularidad de zancada y paso calculados, respectivamente, como el segundo y el primer pico de la función de autocorrelación no sesgada calculada a partir de cada componente de aceleración76. La simetría de la marcha se cuantificó mediante la relación armónica mejorada (iHR) calculada siguiendo a Pasciuto et al.62. El dominio de estabilidad estuvo representado por el exponente de Lyapunov a corto plazo. Esta métrica cuantifica la (in)estabilidad dinámica local de la marcha, que refleja la capacidad del sistema locomotor para hacer frente a pequeñas perturbaciones presentes de forma natural durante la marcha, como perturbaciones externas o errores de control interno54. El exponente de Lyapunov a corto plazo se calculó durante la duración de un paso, como se detalla completamente en otro lugar28. Brevemente, las aceleraciones del tronco relacionadas con diez zancadas consecutivas en la parte central de cada sesión de caminata se volvieron a muestrear en 1000 fotogramas (10 zancadas \(\times\) 100 fotogramas)54, 77 para mantener la misma longitud de datos entre las sesiones de caminata y los participantes. Este procedimiento se aplicó únicamente para el cálculo del exponente de Lyapunov a corto plazo, ya que este parámetro está muy influenciado por la longitud de la señal54, 77. Por lo tanto, el exponente de Lyapunov a corto plazo se calculó siguiendo el método de Rosenstein78, con m = 5 y T = 10 muestras (m y T se estimaron utilizando algoritmos publicados79). Los valores crecientes del exponente de Lyapunov reflejan la capacidad decreciente del sistema locomotor para gestionar pequeñas perturbaciones, lo que indica una mayor inestabilidad dinámica. Finalmente, el dominio de la suavidad de la marcha se cuantificó mediante el logaritmo del jerk (primera derivada temporal de la aceleración), normalizado con respecto a la duración de la zancada y la aceleración media80. Todos los parámetros se calcularon para cada serie de caminatas cortas en estado estable (10 zancadas) derivadas del 6MWT; luego se calcularon los valores medianos de toda la prueba para reducir el efecto de posibles valores atípicos. En la presente cohorte, el número de episodios de caminata siempre fue mayor o igual a 3. Se eligieron las métricas de calidad de la marcha anteriores porque mostraron una correlación estadísticamente significativa con la puntuación mDGI (ver Tabla 2) y porque la literatura previa ha demostrado su solidez. a diferentes entornos de prueba27, su sensibilidad al deterioro sutil28, 36, 38 y a los efectos de rehabilitación37, y su capacidad para discriminar entre diferentes niveles de gravedad de la enfermedad50, 81.

Tubería modelo. En el panel (A), se informan los pasos del protocolo de recopilación de datos. En el panel (B y C), se presentan respectivamente los pasos de preprocesamiento y los bucles de implementación del modelo.

No había valores perdidos en el conjunto de datos y no se adoptaron técnicas de imputación de datos. Para evaluar inicialmente las correlaciones univariadas entre las características basadas en IMU y el mDGI, todas las características extraídas se sometieron al análisis de correlación de Spearman, con la variable dependiente establecida en el mDGI. Para evaluar si las variables categóricas tenían un efecto sobre el mDGI, las variables categóricas binarias (p. ej., sexo) y multiclase (p. ej., presencia de un dispositivo de asistencia) se sometieron a una prueba de Mann-Whitney y una prueba de Kruskal-Wallis, respectivamente. Este procedimiento se realizó para la cohorte agrupada y las tres cohortes de patología única. Por último, para evaluar si diferentes grupos de patología se asociaban con diferentes determinantes biomecánicos, se realizó un análisis de grupo (prueba de Kruskal-Wallis), con variables independientes configuradas para las características derivadas de IMU y variables de agrupación configuradas para la patología (MS, PD, ST ). El umbral de significación se fijó en 0,05.

Para evitar la contaminación de la prueba del tren, todas las características extraídas ingresaron a los modelos ML posteriores. Es decir, se implementó un tipo de regresión regularizada, la red elástica (EN). La EN combina las penalizaciones de las regresiones LASSO y Ridge82, superando sus respectivos problemas de implementación. Ridge agrega regularización cuadrática a través de penalizaciones L2, asignando un coeficiente distinto de cero a todas las características del modelo y manteniendo los coeficientes incluso si la variable independiente correspondiente es irrelevante para la predicción. Por el contrario, se sabe que la regresión LASSO se deteriora con variables independientes multicolineales83 pero descuida características específicas. La red elástica combina la eliminación de características de LASSO y la reducción de coeficientes de Ridge y mejora ambos, lo que produce estimaciones de parámetros de regresión de la siguiente manera:

Los casos especiales \(\lambda _{2} = 0 \; \lambda _{1} \ne 0\) y \(\lambda _{1} = 0 \; \lambda _{2} \ne 0\) corresponden a las regresiones LASSO y Ridge, respectivamente, por lo que se incluyen tanto LASSO como Ridge en el espacio de hipótesis del modelo EN. En la implementación de Scikit-Learn

el \(l1_{ratio}\) describe la tendencia hacia una regularización LASSO (\(l1_{ratio} \sim 1\)) o una regularización Ridge (\(l1_{ratio} \sim 0\)) y el \( \alpha\) actúa como un parámetro de escala del proceso de regularización.

Para maximizar la solidez del modelo, implementamos un enfoque de validación cruzada anidada. En resumen, este enfoque consiste en dos bucles de validación cruzada de k-pliegues: un bucle externo identifica el conjunto de prueba para cada uno de sus pliegues, mientras que el bucle interno implementa una división adicional del conjunto de datos para entrenamiento y validación84. En la capa exterior (capa de prueba), se utilizó un procedimiento de prueba LOSO (Fig. 4, panel C). Específicamente, se retuvo un paciente a la vez para la prueba y los N − 1 restantes se usaron para el entrenamiento y la validación cruzada. El paciente N − 1 fue remuestreado utilizando la técnica de sobremuestreo de minorías sintéticas para regresión (SMOTER85), generando muestras de entrenamiento y validación distribuidas equitativamente en el rango de mDGI. Luego, el conjunto de entrenamiento remuestreado se usó para realizar una validación cruzada y optimizar los hiperparámetros del modelo minimizando el error absoluto medio de validación cruzada \(E_{val} = \frac{\sum _{k=1}^{3} Accuracy_{k}}{K_{inner\, folds}}\) y promediando las precisiones a través de los K pliegues internos (Ec. 3). Para la regresión EN, \(\alpha\) y \(l1_{ratio}\) se optimizaron junto con la tasa de muestreo descendente de clase mayoritaria (\(\%d\)) y la tasa de generación de muestras sintéticas de clase minoritaria (\( \%o\))85. En concreto, se permitió que ambos porcentajes oscilaran entre el 200 y el 800%. El número de pliegues internos (K) utilizados para optimizar todos los parámetros antes mencionados se estableció en 3. Luego, con hiperparámetros óptimos, las regresiones EN se volvieron a entrenar en todos los pacientes de entrenamiento \(N-1\), incluidas las muestras sintéticas . Por último, el modelo se probó en el paciente retenido de la división exterior. Este procedimiento se repitió para la cohorte multipatológica (MP) y las cohortes de patología única (\(SP_{MS}\), \(SP_{PD}\) y \(SP_{ST}\)) y las predicciones sobre las muestras de prueba externas se almacenaron y agregaron (Fig. 4). La canalización descrita se repitió utilizando tres conjuntos de datos diferentes: (1) características derivadas de IMU y variables clínicas (puntuación de 6MWT, presencia de dispositivos de asistencia), (2) solo variables clínicas (Fig. 1 complementaria) y (3) derivadas de IMU. solo datos (Fig. 2 complementaria). Todas las canalizaciones de aprendizaje automático se implementaron con las bibliotecas Optuna y Scikit-Learn.

Los modelos lineales generalizados ya permiten medidas de interpretabilidad y explicabilidad asignando a cada variable independiente k la magnitud de su coeficiente de regresión relacionado k y, por lo tanto, calculando el efecto de todas las características en la predicción a través del producto escalar \(\cdot\)x. Sin embargo, dada la implementación de validación cruzada anidada, en la división externa, cada paciente se incluye N 1 veces en un conjunto de entrenamiento y solo una vez en un conjunto de prueba. En consecuencia, los modelos N entrenados en la permutación N de pacientes N 1 darán como resultado estimaciones de parámetros N (K, N). En consecuencia, es posible evaluar la importancia de las características promediando los coeficientes N, pero tiene dos inconvenientes principales. Primero, la variabilidad resultante en las estimaciones de los parámetros puede ser relevante. En segundo lugar, las estimaciones se derivan de las tendencias medias en el subconjunto de entrenamiento y no son específicas del paciente. SHAP supera estas limitaciones al determinar las contribuciones de las características a la predicción específicamente para los sujetos individuales, lo que da como resultado un valor por sujeto por característica20, 21.

Se aplicaron pruebas de rango con signo de Wilcoxon entre el modelo MP y las predicciones agregadas de los modelos SP. Además, los modelos SP individuales también se compararon con las predicciones de las mismas instancias realizadas por el modelo MP con pruebas de rango con signo de Wilcoxon.

Los datos se han proporcionado con el manuscrito y los códigos pueden estar disponibles a pedido de Piergiuseppe Liuzzi e Ilaria Carpinella solo con fines de reproducción.

Índice de marcha dinámico modificado

Personas con enfermedades neurológicas.

Tiempo arriba y listo

Esclerosis múltiple

enfermedad de Parkinson

Ataque

Prueba de caminata de 6 minutos

Unidades de medida inercial

Multipatología

Antero-posterior

Vertical

Medio-lateral

Explicaciones del aditivo SHApley

Cambio mínimamente detectable

Patla, A. Estrategias para la estabilidad dinámica durante la locomoción humana adaptativa. Ing. IEEE Medicina. Biol. 22, 48–52. https://doi.org/10.1109/memb.2003.1195695 (2003).

Artículo Google Académico

Zampogna, A. et al. Quince años de sensores inalámbricos para la evaluación del equilibrio en trastornos neurológicos. Sensores 20, 3247. https://doi.org/10.3390/s20113247 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Lencioni, T. et al. Estrategias para mantener el equilibrio dinámico en personas con trastornos neurológicos durante la marcha sobre el suelo. proc. Inst. mecánico Ing. Parte H J. Ing. Medicina. 235, 1079–1087. https://doi.org/10.1177/09544119211023624 (2021).

Artículo Google Académico

Tinetti, ME & Kumar, C. El paciente que cae: "Siempre es una compensación''. J. Am. Med. Assoc. 2303, 58–266. https://doi.org/10.1001/jama.2009.2024 (2010).

Artículo Google Académico

Mancini, M. & Horak, FB La relevancia de las herramientas de evaluación del equilibrio clínico para diferenciar los déficits de equilibrio. EUR. J. física. rehabilitación Medicina. 46, 239–48 (2010).

CAS PubMed Google Académico

Verghese, J., Holtzer, R., Lipton, RB y Wang, C. Marcadores de marcha cuantitativos y riesgo de caída incidente en adultos mayores. J. Gerontol. Ser. Un Biol. ciencia Medicina. ciencia 64A, 896–901. https://doi.org/10.1093/gerona/glp033 (2009).

Artículo Google Académico

Edginton Bigelow, K. & Berme, N. Desarrollo de un protocolo para mejorar la utilidad clínica de la posturografía como herramienta de detección del riesgo de caídas. J. Gerontol. Ser. Un Biol. ciencia Medicina. ciencia 66A, 228–233. https://doi.org/10.1093/gerona/glq202 (2011).

Artículo Google Académico

Stevens, JA & Phelan, EA Desarrollo de STEADI: un recurso de prevención de caídas para proveedores de atención médica. Promoción de la Salud. Practica 14, 706–714. https://doi.org/10.1177/1524839912463576 (2013).

Artículo PubMed Google Académico

Muir-Hunter, S. & Wittwer, J. Pruebas de doble tarea para predecir caídas en adultos mayores que viven en la comunidad: una revisión sistemática. Fisioterapia 102, 29–40. https://doi.org/10.1016/j.fisio.2015.04.011 (2016).

Artículo CAS PubMed Google Académico

Godi, M. et al. Comparación de la fiabilidad, validez y capacidad de respuesta de la escala de equilibrio mini-bestest y berg en pacientes con trastornos del equilibrio. física El r. 93, 158–167. https://doi.org/10.2522/ptj.20120171 (2012).

Artículo PubMed Google Académico

Yelnik, A. & Bonan, I. Herramienta clínica para evaluar los trastornos del equilibrio. Neurofisiol. clin. clin. Neurofisiol. 38, 439–45. https://doi.org/10.1016/j.neucli.2008.09.008 (2009).

Artículo Google Académico

Matsuda, PN, Taylor, CS y Shumway-Cook, A. Evidencia de la validez del índice de marcha dinámico modificado en los grupos de diagnóstico. física El r. 9, 996–1004. https://doi.org/10.2522/ptj.20130294 (2014).

Artículo Google Académico

Corrini, C. et al. Diferencia mínima clínicamente importante del índice de marcha dinámico modificado en personas con trastornos neurológicos. Postura de marcha 90, 210–214. https://doi.org/10.1016/j.gaitpost.2021.08.024 (2021).

Artículo PubMed Google Académico

Shumway-Cook, A., Taylor, CS, Matsuda, PN, Studer, MT & Whetten, BK Ampliación del sistema de puntuación para el índice de marcha dinámica. física El r. 93, 1493–1506. https://doi.org/10.2522/ptj.20130035 (2013).

Artículo PubMed Google Académico

Shumway-Cook, A., Matsuda, PN & Taylor, C. Investigando la validez del marco ambiental subyacente al índice de marcha dinámico original y modificado. física El r. 95, 864–870. https://doi.org/10.2522/ptj.20140047 (2015).

Artículo PubMed Google Académico

Torchio, A. et al. Identificación de puntajes de corte del índice de marcha dinámico modificado para evaluar el riesgo de caídas en personas con enfermedad de Parkinson, accidente cerebrovascular y esclerosis múltiple. Postura de marcha 91, 1–6. https://doi.org/10.1016/j.gaitpost.2021.09.201 (2021).

Artículo PubMed Google Académico

Anastasi, D. et al. Versión instrumentada del índice dinámico de marcha modificado en pacientes con trastornos neurológicos. PM R 11, 1312–1319. https://doi.org/10.1002/pmrj.12137 (2019).

Artículo PubMed Google Académico

Ancona, S. et al. Wearables en la evaluación domiciliaria de movimientos anormales en la enfermedad de Parkinson: una revisión sistemática de la literatura. J. Neurol.https://doi.org/10.1007/s00415-020-10350-3 (2021).

Artículo PubMed Google Académico

Carpinella, I. et al. Evaluación instrumental del ascenso de escaleras en personas con esclerosis múltiple, accidente cerebrovascular y enfermedad de Parkinson: un enfoque basado en sensores portátiles. Trans. IEEE. Sistema neural. rehabilitación Ing. 26, 2324–2332. https://doi.org/10.1109/TNSRE.2018.2881324 (2018).

Artículo PubMed Google Académico

Lundberg, SM et al. Predicciones explicables de aprendizaje automático para la prevención de la hipoxemia durante la cirugía. Nat. biomedicina Ing. 2, 749. https://doi.org/10.1038/s41551-018-0304-0 (2018).

Artículo PubMed PubMed Central Google Académico

Lundberg, SM et al. Desde explicaciones locales hasta comprensión global con IA explicable para árboles. Nat. Mach. Intel. 2, 2522–5839. https://doi.org/10.1038/s42256-019-0138-9 (2020).

Artículo Google Académico

Demura, S., Yamaji, S. & Kitabayashi, T. Diferencias relacionadas con el género y la edad de la capacidad de equilibrio dinámico basadas en varios movimientos de pasos en ancianos sanos. J. Hum. Ergol. 34, 1–11 (2005).

Google Académico

Marschollek, M. et al. Evaluación del riesgo de caídas basada en sensores: un experto 'para llevar'. Métodos Inf. Medicina. 50, 420–6. https://doi.org/10.3414/ME10-01-0040 (2011).

Artículo CAS PubMed Google Académico

van Schooten, K. et al. Evaluación ambulatoria del riesgo de caídas: la cantidad y la calidad de la marcha diaria predicen caídas en adultos mayores. J. Gerontol. Ser. Un Biol. ciencia Medicina. ciencia 70, 608–615. https://doi.org/10.1093/gerona/glu225 (2015).

Artículo CAS Google Académico

Ihlen, E., Weiss, A., Beck, Y., Helbostad, J. & Hausdorff, J. Un estudio de comparación de las medidas locales de estabilidad dinámica de la vida diaria caminando en adultos mayores que viven en la comunidad y que no se caen. J. Biomech. 49, 1498–1503. https://doi.org/10.1016/j.jbiomech.2016.03.019 (2016).

Artículo PubMed Google Académico

Riva, F., Bisi, M. & Stagni, R. Medidas de estabilidad y variabilidad de la marcha: número mínimo de zancadas y confiabilidad dentro de la sesión. computar Biol. Medicina. 50C, 9–13. https://doi.org/10.1016/j.compbiomed.2014.04.001 (2014).

Artículo Google Académico

Angelini, L. et al. ¿Es una caracterización de la marcha basada en un sensor portátil lo suficientemente sólida como para superar las diferencias entre los protocolos de medición? un estudio pragmático multicéntrico en pacientes con esclerosis múltiple. Sensores 20, 79. https://doi.org/10.3390/s20010079 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Caronni, A. et al. Estabilidad dinámica local de la marcha en personas con esclerosis múltiple temprana y deterioro neurológico de no leve a leve. Trans. IEEE. Sistema neural. rehabilitación Ing. 28, 1389–1396. https://doi.org/10.1109/TNSRE.2020.2991636 (2020).

Artículo PubMed Google Académico

Plotnik, M., Wagner, J., Adusumilli, G., Gottlieb, A. y Naismith, R. Asimetría de la marcha y coordinación bilateral de la marcha durante una prueba de marcha de seis minutos en personas con esclerosis múltiple. ciencia Rep. 10, 12382. https://doi.org/10.1038/s41598-020-68263-0 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Socie, M. & Sosnoff, J. Variabilidad de la marcha y esclerosis múltiple. Esclerótica Múltiple. En t. 2013, 645197. https://doi.org/10.1155/2013/645197 (2013).

Artículo Google Académico

Patterson, K., Gage, W., Brooks, D., Black, S. y McILROY, W. Evaluación de la simetría de la marcha después de un accidente cerebrovascular: una comparación de los métodos actuales y las recomendaciones para la estandarización. Postura de marcha 31, 241–6. https://doi.org/10.1016/j.gaitpost.2009.10.014 (2009).

Artículo PubMed Google Académico

Godi, M., Arcolin, I., Giardini, M., Corna, S. & Schieppati, M. Un modelo fisiopatológico de la marcha captura los detalles del deterioro de la velocidad/ritmo, la variabilidad y la asimetría en pacientes parkinsonianos en distintas etapas de la enfermedad. ciencia Rep. 11, 21143. https://doi.org/10.1038/s41598-021-00543-9 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Chee, J. et al. Influencia de la esclerosis múltiple en los parámetros de la marcha espaciotemporal: una revisión sistemática y una metarregresión. Arco. física Medicina. rehabilitación 102, 1801–1815. https://doi.org/10.1016/j.apmr.2020.12.013 (2021).

Artículo PubMed Google Académico

Morris, M., Iansek, R., Matyas, T. & Summers, J. Patogénesis de la hipocinesia de la marcha en la enfermedad de Parkinson. Cerebro 117, 1169–1181. https://doi.org/10.1093/brain/117.5.1169 (1994).

Artículo PubMed Google Académico

Wonsetler, E. & Bowden, M. Una revisión sistemática de los mecanismos de cambio de la velocidad de la marcha después del accidente cerebrovascular. Parte 1. Parámetros espaciotemporales y ratios de asimetría. Arriba. Rehabilitación de accidentes cerebrovasculares. 24, 1–12. https://doi.org/10.1080/10749357.2017.1285746 (2017).

Artículo Google Académico

Carpinella, I. et al. La marcha con giros horizontales de la cabeza se ve afectada en personas con esclerosis múltiple en etapa temprana que muestran una locomoción normal. Frente. Neurol. 12, 821640. https://doi.org/10.3389/fneur.2021.821640 (2022).

Artículo PubMed PubMed Central Google Académico

Hilfiker, R. et al. Estabilidad dinámica local como índice de respuesta para la evaluación del efecto de la rehabilitación sobre el riesgo de caídas en pacientes con esclerosis múltiple: un estudio longitudinal. Resolución BMC. Notas 6, 260. https://doi.org/10.1186/1756-0500-6-260 (2013).

Artículo PubMed PubMed Central Google Académico

Carpinella, I. et al. La calidad de la marcha evaluada instrumentalmente es más relevante que la resistencia y la velocidad de la marcha para explicar la capacidad de caminar informada por el paciente en la etapa temprana de la esclerosis múltiple. EUR. J. Neurol. 28, 2259–2268. https://doi.org/10.1111/ene.14866 (2021).

Artículo PubMed Google Académico

Bennett, S., Bromley, L., Fisher, N., Tomita, M. y Niewczyk, P. Validez y confiabilidad de cuatro medidas clínicas de la marcha en pacientes con esclerosis múltiple. En t. J. MS Care 19, 247–252. https://doi.org/10.7224/1537-2073.2015-006 (2017).

Artículo PubMed PubMed Central Google Académico

Combs, SA, Diehl, DM, Filip, J. & Long, E. Pruebas de velocidad de caminata de corta distancia en personas con enfermedad de Parkinson: confiabilidad, capacidad de respuesta y validez. Postura de marcha 39, 784–788. https://doi.org/10.1016/j.gaitpost.2013.10.019 (2014).

Artículo PubMed Google Académico

Pohl, P. et al. Influencia de las deficiencias relacionadas con el accidente cerebrovascular en el rendimiento en la prueba de caminata de 6 minutos. J. rehabilitación. Res. desarrollo 39, 439–44 (2002).

Académico de Google de PubMed

Fritz, S. & Lusardi, M. White paper: "Walking speed: the sexte vital sign''. J. Geriatr. Phys. Ther. 2001(32), 46–9. https://doi.org/10.1519/ 00139143-200932020-00002 (2009).

Artículo Google Académico

Callisaya, ML & Verghese, J. La asociación de tareas de movilidad basadas en clínicas y medidas de desempeño y riesgo de la comunidad. PM R 10, 704-711.e1. https://doi.org/10.1016/j.pmrj.2017.12.008 (2018).

Artículo PubMed PubMed Central Google Académico

Menz, H., Lord, S. & Fitzpatrick, R. Diferencias relacionadas con la edad en la estabilidad al caminar. Edad Envejecimiento 32, 137–42 (2003).

Artículo PubMed Google Académico

Lencioni, T., Carpinella, I., Rabuffetti, M., Cattaneo, D. & Ferrarin, M. Medidas de equilibrio dinámico durante la marcha nivelada en sujetos adultos sanos: relación con la edad, la antropometría y los parámetros espacio-temporales de la marcha. Porc. Inst. mecánico Ing. H 65, 131–140. https://doi.org/10.1177/0954411919889237 (2020).

Artículo Google Académico

Moe-Nilssen, R. & Helbostad, J. La variabilidad de la aceleración del tronco entre zancadas, pero no la variabilidad del ancho de paso, puede diferenciar entre adultos mayores aptos y frágiles. Postura de marcha 21, 164–70. https://doi.org/10.1016/j.gaitpost.2004.01.013 (2005).

Artículo PubMed Google Académico

Callisaya, M., Blizzard, L., Mcginley, J., Schmidt, M. y Srikanth, V. Factores sensoriomotores que afectan la variabilidad de la marcha en personas mayores: un estudio basado en la población. J. Gerontol. Ser. Un Biol. ciencia Medicina. ciencia 65, 386–92. https://doi.org/10.1093/gerona/glp184 (2009).

Artículo Google Académico

Handelzalts, S. et al. Información sobre los déficits de rendimiento motor después de un accidente cerebrovascular: un análisis automatizado y refinado de la prueba de coordinación motora de las extremidades inferiores (lemocot). J. NeuroEng. rehabilitación 18, 1–10. https://doi.org/10.1186/s12984-021-00950-z (2021).

Artículo Google Académico

Kalron, A., Dolev, M. y Givon, U. Validez de construcción adicional de la prueba cronometrada y marcha como medida de deambulación en personas con esclerosis múltiple. EUR. J. física. Medicina. rehabilitación 53, 841–847. https://doi.org/10.23736/S1973-9087.17.04599-3 (2017).

Artículo Google Académico

Angelini, L. et al. Los sensores portátiles pueden cuantificar de manera confiable las alteraciones de la marcha asociadas con la discapacidad en personas con esclerosis múltiple progresiva en un entorno clínico. J. Neurol. 267, 2897–2909. https://doi.org/10.1007/s00415-020-09928-8 (2020).

Artículo PubMed PubMed Central Google Académico

Mizuike, C., Ohgi, S. y Morita, S. Análisis de la dinámica de marcha de pacientes con accidente cerebrovascular utilizando un acelerómetro triaxial. Postura de marcha 30, 60–4. https://doi.org/10.1016/j.gaitpost.2009.02.017 (2009).

Artículo PubMed Google Académico

Buckley, C., Galna, B., Rochester, L. & Mazzà, C. Las aceleraciones de la parte superior del cuerpo como biomarcador del deterioro de la marcha en las primeras etapas de la enfermedad de Parkinson. Postura de marcha 71, 289–295. https://doi.org/10.1016/j.gaitpost.2018.06.166 (2018).

Artículo PubMed Google Académico

Huisinga, J., Mancini, M., St George, R. & Horak, F. La acelerometría revela diferencias en la variabilidad de la marcha entre pacientes con esclerosis múltiple y controles sanos. Ana. biomedicina Ing. 41, 1670–1679. https://doi.org/10.1007/s10439-012-0697-y (2012).

Artículo PubMed PubMed Central Google Académico

Bruijn, S., Meijer, O., Beek, P. y Van Dieen, J. Evaluación de la estabilidad de la locomoción humana: una revisión de las medidas actuales. JR Soc. Interfaz R. Soc. 10, 20120999. https://doi.org/10.1098/rsif.2012.0999 (2013).

Artículo CAS Google Académico

Ellis, R., Howard, K. & Kram, R. Los costos metabólicos y mecánicos de la asimetría del tiempo de paso al caminar. proc. Biol. ciencia R. Soc. 280, 20122784. https://doi.org/10.1098/rspb.2012.2784 (2013).

Artículo Google Académico

Alexander, S., Peryer, G., Gray, E., Barkof, F. y Chataway, J. Tecnologías portátiles para medir los resultados clínicos en la esclerosis múltiple: una revisión de alcance. Esclerótica Múltiple. 27, 1643–1656. https://doi.org/10.1177/1352458520946005 (2020).

Artículo Google Académico

Casamassima, F. et al. Un sistema portátil para el entrenamiento de la marcha en sujetos con enfermedad de Parkinson. Sensors (Basilea, Suiza) 14, 6229–46. https://doi.org/10.3390/s140406229 (2014).

Artículo ADS PubMed Google Scholar

Ginis, P. et al. Viabilidad y efectos del entrenamiento de retroalimentación automatizado entregado por teléfono inteligente en el hogar para la marcha en personas con enfermedad de Parkinson: un ensayo piloto controlado aleatorio. Parkinsonismo Relat. Desorden. 22, 28–34. https://doi.org/10.1016/j.parkreldis.2015.11.004 (2015).

Artículo Google Académico

Soltani, A. et al. Algoritmos para la estimación de la velocidad al caminar utilizando un sensor inercial de espalda baja: una validación cruzada en los rangos de velocidad. Trans. IEEE. Sistema neural. rehabilitación Ing. 29, 1955–1964. https://doi.org/10.1109/TNSRE.2021.3111681 (2021).

Artículo CAS PubMed Google Académico

Ferrari, A. et al. Una solución móvil basada en filtros de Kalman para la estimación en tiempo real de parámetros de marcha espacio-temporales. Trans. IEEE. Sistema neural. rehabilitación Ing. publ. Ing. IEEE Medicina. Biol. Soc. 24, 764–773. https://doi.org/10.1109/TNSRE.2015.2457511 (2015).

Artículo Google Académico

Trojaniello, D. et al. Estimación paso a paso de los parámetros espacio-temporales de la marcha normal y deteriorada utilizando sensores magneto-inerciales montados en vástago: aplicación a la marcha anciana, hemiparética, parkinsoniana y coreica. J. Neuroeng. rehabilitación 11, 152. https://doi.org/10.1186/1743-0003-11-152 (2014).

Artículo PubMed PubMed Central Google Académico

Pasciuto, I., Bergamini, E., Iosa, M., Vannozzi, G. & Cappozzo, A. Superando las limitaciones de la relación armónica para la evaluación confiable de la simetría de la marcha. J. Biomech. 53, 84–89. https://doi.org/10.1016/j.jbiomech.2017.01.005 (2017).

Artículo PubMed Google Académico

Riva, F., Grimpampi, E., Mazzà, C. & Stagni, R. ¿Las medidas de variabilidad y estabilidad de la marcha están influenciadas por los cambios direccionales?. biomedicina Ing. En línea 13, 56. https://doi.org/10.1186/1475-925X-13-56 (2014).

Artículo PubMed PubMed Central Google Académico

Caronni, A. et al. Validez de criterio de la prueba instrumentada timed up and go: un estudio de regresión de mínimos cuadrados parciales. Postura de marcha 61, 287–293. https://doi.org/10.1016/j.gaitpost.2018.01.015 (2018).

Artículo PubMed Google Académico

Leach, J., Mellone, S., Palumbo, P., Bandinelli, S. & Chiari, L. Las medidas de giro natural predicen caídas recurrentes en adultos mayores que viven en la comunidad: un estudio de cohorte longitudinal. ciencia Rep. 8, 1–11. https://doi.org/10.1038/s41598-018-22492-6 (2018).

Artículo CAS Google Académico

Lindberg, D. et al. Identificación de factores importantes en un modelo de predicción del riesgo de caídas de pacientes hospitalizados para mejorar la calidad de la atención mediante EHR y datos administrativos electrónicos: un enfoque de aprendizaje automático. En t. J.Med. Informar. 143, 104272. https://doi.org/10.1016/j.ijmedinf.2020.104272 (2020).

Artículo PubMed PubMed Central Google Académico

Noh, B. et al. Enfoque de aprendizaje automático basado en Xgboost para predecir el riesgo de caída en adultos mayores utilizando resultados de la marcha. ciencia Rep. 11, 12183. https://doi.org/10.1038/s41598-021-91797-w (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Brooks, D., Solway, S. y Gibbons, W. Declaración de la ATS sobre la prueba de caminata de seis minutos. Soy. J. Respir. crítico Cuidado Med. 167, 1287. https://doi.org/10.1164/ajrccm.167.9.950 (2003).

Artículo PubMed Google Académico

Storm, F., Cesareo, A., Reni, G. & Biffi, E. Sensores de inercia portátiles para evaluar la marcha durante la prueba de caminata de 6 minutos: una revisión sistemática. Sensores 20, 2660. https://doi.org/10.3390/s20092660 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Scalera, G., Ferrarin, M., Marzegan, A. & Rabuffetti, M. Evaluación de la estabilidad de las sondas MIMU a los marcos de referencia anatómicos basados ​​en marcadores cutáneos durante las tareas de locomoción: efecto de diferentes ubicaciones en la extremidad inferior. Frente. Bioing. Biotecnología. 9, 721900. https://doi.org/10.3389/fbioe.2021.721900 (2021).

Artículo PubMed PubMed Central Google Académico

Pacini Panebianco, G., Bisi, M., Stagni, R. & Fantozzi, S. Análisis del rendimiento de 17 algoritmos de una revisión sistemática: Influencia de la posición del sensor, variable analizada y enfoque computacional en la estimación del tiempo de marcha a partir de mediciones imu. Postura de marcha 66, 76–82. https://doi.org/10.1016/j.gaitpost.2018.08.025 (2018).

Artículo PubMed Google Académico

Moe-Nilssen, R. Un nuevo método para evaluar el control motor en la marcha en condiciones ambientales de la vida real. clin. Biomecánica. 13, 320–327. https://doi.org/10.1016/s0268-0033(98)00089-8 (1998).

Artículo Google Académico

Nguyen, H. et al. Detección automática y segmentación de las actividades de la vida diaria durante una tarea cronometrada en personas con la enfermedad de Parkinson utilizando múltiples sensores de inercia. J. NeuroEng. rehabilitación 14, 1–13. https://doi.org/10.1186/s12984-017-0241-2 (2017).

Artículo MathSciNet Google Académico

Salarian, A. Evaluación de la marcha en la enfermedad de Parkinson: Hacia un sistema ambulatorio para el seguimiento a largo plazo. Trans. IEEE. biomedicina Ing. 51, 1434-1443. https://doi.org/10.1109/TBME.2004.827933 (2004).

Artículo PubMed Google Académico

Moon, Y., Sung, J., An, R., Hernandez, M. & Sosnoff, J. Variabilidad de la marcha en personas con trastornos neurológicos: una revisión sistemática y un metanálisis. Tararear. mov. ciencia 47, 197–208. https://doi.org/10.1016/j.humov.2016.03.010 (2016).

Artículo PubMed Google Académico

Moe-Nilssen, R. & Helbostad, JL Estimación de las características del ciclo de la marcha por acelerometría del tronco. J. Biomech. 37, 121–126. https://doi.org/10.1016/S0021-9290(03)00233-1 (2004).

Artículo PubMed Google Académico

England, S. & Granata, K. La influencia de la velocidad de la marcha en la estabilidad dinámica local de la marcha. Postura de marcha 25, 172–8. https://doi.org/10.1016/j.gaitpost.2006.03.003 (2007).

Artículo PubMed Google Académico

Rosenstein, MT, Collins, JJ & De Luca, CJ Un método práctico para calcular los mayores exponentes de Lyapunov a partir de pequeños conjuntos de datos. Physica D Fenómeno no lineal. 65, 117–134. https://doi.org/10.1016/0167-2789(93)90009-P (1993).

Artículo ADS MathSciNet MATH Google Scholar

Wallot, S. & Mønster, D. Cálculo de información mutua promedio (AMI) y vecinos falsos más cercanos (FNN) para la estimación de parámetros de incrustación de series temporales multidimensionales en Matlab. Frente. psicol. 9, 1679. https://doi.org/10.3389/fpsyg.2018.01679 (2018).

Artículo PubMed PubMed Central Google Académico

Caby, B., Kieffer, S., Hubert, M., Cremer, G. y Macq, B. Extracción y selección de características para el análisis objetivo de la marcha y la evaluación del riesgo de caídas mediante acelerometría. biomedicina Ing. En línea 10, 1. https://doi.org/10.1186/1475-925X-10-1 (2011).

Artículo PubMed PubMed Central Google Académico

Castiglia, S. et al. Capacidad de un conjunto de índices de inercia del tronco de la marcha para identificar la inestabilidad de la marcha y las caídas recurrentes en la enfermedad de Parkinson. Sensores 21, 3449. https://doi.org/10.3390/s21103449 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Zou, H. & Hastie, T. Regularización y selección de variables a través de redes elásticas. Estado JR. Soc. B 67, 301–320 (2015).

Artículo MathSciNet MATEMÁTICAS Google Académico

Fan, J. & Li, R. Desafíos estadísticos con alta dimensionalidad: selección de características en el descubrimiento de conocimiento. En Actas del Congreso Internacional de Matemáticos de Madrid, vol. 3 (2006).

Parvandeh, S., Yeh, H.-W., Paulus, MP y McKinney, BA El consenso presenta una validación cruzada anidada. Bioinformática 36, ​​3093–3098. https://doi.org/10.1093/bioinformatics/btaa046 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Torgo, L., Branco, P., Ribeiro, RP & Pfahringer, B. Estrategias de remuestreo para la regresión. Sistema experto 32, 465–476. https://doi.org/10.1111/exsy.12081 (2015).

Artículo Google Académico

Descargar referencias

Este trabajo fue apoyado en parte por el “Programa Ricerca corrente RC2020-RC2021” y en parte por los fondos 5×1000 AF2018: “Data Science in Rehabilitation Medicine” AF2019: “Estudio y desarrollo de métodos de ciencia de datos biomédicos y aprendizaje automático para apoyar la adecuación y el proceso de toma de decisiones en medicina de rehabilitación" por el Ministerio de Salud italiano. Este estudio también fue apoyado por la Región de Toscana a través de la Red de Toscana para Enfoques BioElectrónicos en Medicina: algoritmos predictivos basados ​​en IA para el ajuste fino de tratamientos electrolíticos en enfermedades neurológicas, cardiovasculares y endocrinológicas (TUNE-BEAM, n. H14I20000300002).

Estos autores contribuyeron por igual: Maurizio Ferrarin y Andrea Mannini.

AIRLab, Fundación IRCCS Don Carlo Gnocchi ONLUS, 50143, Florencia, Italia

Piergiuseppe Liuzzi y Andrea Mannini

Scuola Superiore Sant'Anna, Instituto de BioRobótica, 56025, Pontedera, Italia

Piergiuseppe Liuzzi y Maria Chiara Carrozza

LAMoBIR y LaRiCE, IRCCS Fundación Don Carlo Gnocchi ONLUS, 20148, Milán, Italia

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

Departamento de Fisiopatología Médico-Quirúrgica y de Trasplantes, Universidad de Milán, 20122, Milán, Italia

David Cattaneo

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Concepción y diseño del estudio: DC, MF, AM Adquisición de datos: EG, DA, RB Evaluación clínica de pacientes: EG, DA, RB Elaboración de señales: IC, TL Análisis de datos: PL, AM Interpretación de datos: todos los autores. Redacción del manuscrito: PL, IC Revisión crítica del manuscrito: todos los autores.

Correspondencia a Ilaria Carpinella.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Liuzzi, P., Carpinella, I., Anastasi, D. et al. Estimación basada en aprendizaje automático del equilibrio dinámico y la adaptabilidad de la marcha en personas con enfermedades neurológicas utilizando sensores inerciales. Informe científico 13, 8640 (2023). https://doi.org/10.1038/s41598-023-35744-x

Descargar cita

Recibido: 13 febrero 2023

Aceptado: 23 de mayo de 2023

Publicado: 27 mayo 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.