Nedre knæledsbelastning ved biofeedback-rehabilitering i realtid ved trappegange for patienter med MCKOA

Konventionelt implementeres ganggenoptræning nødvendigvis i et laboratoriemiljø, fordi evaluering af biomekaniske markører, såsom KAM, kræver et sofistikeret bevægelsesfangende system og kraftplader. Med fremskridt inden for bærbar sensorteknologi er det muligt at måle gangbiomekanik og give realtids biofeedback til gangtræning ved hjælp af inertial measurement unit (IMU), som er en letvægts og bærbar trådløs enhed. I et igangværende regeringsfinansieret projekt har efterforskerne udviklet IMU-indlejret fodtøj, der måler KAM under gang på jorden. Efterforskerne har sammenlignet Least Absolute Shrinkage and Selection Operator (LASSO) regression og Random Forest i forudsigelsen af ​​KAM fra IMU-optagelser. Efterforskerne fandt, at Random Forest kunne give meget højere KAM-forudsigelsesnøjagtighed end LASSO-regression. Overensstemmelsen mellem konventionel laboratoriebaseret og sensorbaseret måling af KAM var ca. 90%. Baseret på efterforskernes tidligere forskningsarbejde er det meningsfuldt at udvide den nyudviklede teknologi til KAM-måling under trappeop- og nedstigning uden brug af laboratorieudstyr. Med de bærbare sensorer forbundet til smartphones, vil ganggenoptræning uden for laboratoriemiljøet blive mulig, men virkningerne af ganggenoptræning ved hjælp af bærbare sensorer er ikke blevet direkte verificeret.

På baggrund af disse overvejelser har dette projekt to primære mål. Efterforskerne vil: (1) først etablere en maskinlæringsalgoritme til at forudsige KAM ved hjælp af IMU-sensorer under trappeop- og nedstigning; og derefter (2) udføre et tre-arms randomiseret kontrolleret forsøg for at sammenligne den biomekaniske og kliniske forskel mellem patienter, der modtager et forløb med konventionel laboratoriebaseret trappegenoptræning, sensorbaseret trappegenoptræning og gangøvelseskontrol (dvs. gåtræning uden gangart) omskoling).

Primær hypotese

Hypotese 1: De bærbare IMU'er vil nøjagtigt forudsige KAM under trappeforhandling ved hjælp af maskinlæringsalgoritme, med mindst 80 % målingsoverensstemmelse med konventionel beregning af KAM.

Hypotese 2: Patienter randomiseret til de laboratoriebaserede og sensorbaserede trappegenoptræningsbetingelser ville bevise lignende (dvs. svage og ikke-signifikante forskelle) reduktion i KAM (primært udfald) og en forbedring af symptomer (sekundære udfald), men at disse forsøgspersoner ville bevise større reduktioner i KAM end forsøgspersoner, der er tildelt kontrolbetingelsen for gangøvelser.