Udnyttelse af maskinlæring til ubesværet at spore patientbevægelser i klinikken.

Mål 1: Udvikle 3D-sporing, der er i stand til at fange adfærd hos sunde kontroller under fysiske undersøgelser. I mål 1 vil efterforskerne rekruttere raske frivillige til at udføre en forenklet fysisk undersøgelse i et replika eksamenslokale, mens de bliver optaget med tre synkroniserede FLIR-kameraer. Den forenklede eksamen vil bestå af fire opgaver: vurdering af rysten, fingerjagt, finger-til-næse-bevægelser og fingertap. Studiepersonale vil derefter bruge DeepLabCut (DLC) software -teknologi, der træner kunstige neurale netværk til at identificere brugerdefinerede funktioner i et billede - til at genkende kropsdele af interesse i fysiske eksamensvideoer. Når netværket er færdiguddannet, vil efterforskerne teste dets evne til at generalisere på forskellige patienter og forskellige kontekster. Yderligere analyse af frivilliges bevægelser under den fysiske undersøgelse vil blive udført for at vurdere karakteristika såsom rysten, hastighed og bevægelsesslyngning.

Mål 2: Anvend 3D-sporing på klinikken for at spore fysisk undersøgelsesadfærd hos patienter med motorisk lidelse. I mål 2 vil efterforskerne anvende det trænede netværk til klinikken for at undersøge de fysiske undersøgelseskarakteristika for patienter med bevægelsesforstyrrelser. Mål 2a vil teste DLC-netværkets evne til at fange abnormiteter i bevægelsesforstyrrelser under den fysiske undersøgelse hos patienter og raske aldersmatchede kontroller. DLC-score for hver testvariabel vil blive sammenlignet med lægens bevægelsesscore i henhold til en standardiseret skala. Efterforskerne forventer at finde ud af, at DLC-sporingsmetoden er i stand til objektivt at score bevægelsesforstyrrelser på måder, der afspejler og overgår lægens evner. I mål 2b vil efterforskerne undersøge populationen af ​​rekrutterede patienter for at se, om det er muligt at trække karakteristiske bevægelser ud, der svarer til bestemte sygdomstilstande. I dette udforskende mål forventer efterforskerne at være i stand til at adskille forskellige sygdomsgrupper (f.eks.: Parkinson-patienter og ataksiske patienter) fra hinanden udelukkende baseret på de sporede bevægelseskarakteristika.

Forskningsmetoder:

I mål 1 vil en bevægelsesarena blive bygget på University of Colorado Denver Graduate School campus ved hjælp af tre FLIR-kameraer med et specialbygget synkroniserings- og initieringssystem. Efterforskerne vil rekruttere op til 30 sunde 18-70-årige kontroller fra University of Colorado Denver Graduate School til at udføre den forenklede fysiske undersøgelse (vurdering af rysten, fingerjagt, finger-til-næse-bevægelser og fingertap) mens video optages fra tre vinkler ved 100 Hz. Efterforskerne forventer, at denne test ikke tager mere end 5 minutter pr. emne. Denne video vil blive brugt til at træne DLC's kunstige neurale netværk til at genkende lemmerfunktioner. Efterforskerne vil måle vores trænede DLC-netværks evne til at karakterisere tolv interessepunkter på hvert lem under en fysisk undersøgelse: spidserne af de fire fingre og tommelfingeren, alle fire metacarpophalangeale led, midten af ​​hånden, albuen og skulderen. Et vellykket resultat vil være et netværk, der bevarer evnen til at genkende træk af interesse med høj tillid mellem forskellige individer og forskellige rumkontekster.

I mål 2a vil der blive oprettet en sporingsarena i et eksamenslokale i University of Colorado Movement Disorder Clinic. Efterforskerne vil rekruttere op til 100 patienter mellem 18-70 år, der er på besøg til en bevægelsesforstyrrelsesrelateret aftale, samt ægtefæller og pårørende til patienterne ved aftalen til raske aldersmatchede kontroller. Patienter i klinikken vil efter deres besøg blive spurgt, om de har lyst til at deltage i undersøgelsen. Hvis de giver samtykke, vil lægen indhente skriftligt samtykke og udfylde en patientformular, der inkluderer patientens alder, race, køn og diagnose (eller formodede diagnose). Videooptagelse vil blive startet, og lægen vil udføre den forenklede fysiske undersøgelse nævnt ovenfor. Lægerne vil bedømme fingerjagten og finger-til-næse-opgaven som beskrevet i skalaen for vurdering og vurdering af ataksi (SARA, punkt 5 & 6) fra 0-4. Den posturale tremor og fingertap vil blive bedømt i henhold til Unified Parkinson Disease Rating Scale (UPDRS, punkt 21 & 23) fra 0-4. Hvis patienten besøger en person, der giver samtykke til at være en alderssvarende kontrol (inden for 10 år efter patientens alder), vil den fysiske undersøgelse blive gentaget som ovenfor. Efterforskerne forventer, at denne test ikke tager mere end 5 minutter pr. emne, fra begyndelsen til slutningen. Efterforskerne vil derefter bruge DLC-algoritmen til at score den fysiske eksamen på en måde, der svarer til lægens scoring for at vurdere systemets nøjagtighed.

I mål 2b vil efterforskerne undersøge patientdataene fra mål 2a for bevægelsesegenskaber, der er specifikke for individuelle sygdomme. Dataklyngemetoder (PCA og t-SNE) vil blive brugt til at adskille data i grupper ved hjælp af højdimensionelle DLC-sporingsdata fra hver fysisk eksamensopgave. Succes vil blive målt som evnen til at adskille sygdomme fra hinanden udelukkende baseret på analyse af bevægelsesdata.