IntelliGait 3D - Gait Data Mining

Entwicklung von Algorithmen zur Modellierung, Klassifizierung und Nutzbarmachung von großen Datenbanken für die medizinische Entscheidungsfindung in der klinischen 3D Ganganalyse Praxis

Analyse der Gangleistung 

Erkrankungen oder Verletzungen des Bewegungsapparates sowie neurologische Störungen können zu pathologischen Beeinträchtigungen der menschlichen Bewegungsfähigkeit führen. Um diese Gangbeeinträchtigungen besser zu verstehen, ist es für Ärzt*innen und Therapeut*innen wichtig, das Gangbild von Patient*innen genau beschreiben und analysieren zu können. Für diesen Zweck ist die klinische Ganganalyse eines der wichtigsten Beurteilungsinstrumente. Derzeit stellt die klinische dreidimensionale Ganganalyse (3DGA) den "Goldstandard" in der klinischen Ganganalyse dar.

Unterstützung bei Diagnostik und Entscheidungsfindung 

Die klinische 3D Gang- und Bewegungsanalyse wird zur Quantifizierung von Abläufen des Bewegungsapparats eines Menschen während der Fortbewegung verwendet. Die resultierenden Daten werden z. B. verwendet um abzuschätzen ob eine rein therapeutische oder eine operative Behandlung sinnvoller wäre. Im klinischen Alltag wird eine Vielzahl an Fällen begutachtet, Informationen über Therapieverlauf und Behandlungsergebnisse könnten helfen in Zukunft bei ähnlichen Fällen noch präziser Entscheidungen zu treffen. Die Datenbanken in denen Anamnesedaten, aus einer 3D Gang- und Bewegungsanalyse resultierenden Daten sowie Information über Behandlungserfolg und -misserfolg gespeichert werden, sind heutzutage allerdings manuell kaum mehr untersuchbar. Das Auffinden von historischen Fällen oder ähnlichen Referenzdaten gestaltet sich daher kompliziert und aufwendig. 

Methoden: Data Mining und maschinelles Lernen 

Automatische Analysemethoden haben das Potenzial, einen neuartigen, effizienten und objektiven Zugang zu medizinischen Datenbanken und deren Nutzung zu ermöglichen. Dieses Projekt hat daher das primäre Ziel, Data Mining und maschinelles Lernen auf Messdaten aus der klinischen 3DGA anzuwenden, um die klinische Praxis bei der Ganganalyse und Entscheidungsfindung zu unterstützen. Die Hauptziele sind die Entwicklung automatischer Klassifikationsalgorithmen, die robust zwischen einer großen Bandbreite von Gangmustern unterscheiden können. Das umfasst z.B. die Unterscheidung zwischen verschiedenen pathologischen Mustern und dem gesunden Gang sowie die Entwicklung von Methoden für die Ähnlichkeitssuche (Retrieval) von Gangmustern und damit verbundenen Diagnosen aus einer umfangreichen klinischen 3DGA-Datenbank. 

Link

Vorgängerprojekt  IntelliGait 

 

 

 

Publikationen

Horst, F., Slijepcevic, D., Lapuschkin, S., Raberger, A.-M., Zeppelzauer, M., Samek, W., … Horsak, B. (2020). On the Understanding and Interpretation of Machine Learning Predictions in Clinical Gait Analysis Using Explainable Artificial Intelligence. Frontiers in Bioengineering and Biotechnology, Submitted.
Horsak, B., Slijepcevic, D., Raberger, A.-M., Schwab, C., & Zeppelzauer, M. (2020). GaitRec, a large-scale walking GRF dataset for a healthy cohort and patients with musculo-skeletal impairments. Scientific Data, Submitted.
Slijepcevic, D., Zeppelzauer, M., Raberger, A.-M., Breitender, C., Horsak, B., & Horsak, Brian. (2020). Input Representations and Classification Strategies for Automated Human Gait Analysis. Gait & Posture, 76, 198–203.
PartnerInnen
  • Orthopädisches Spital Speising - Ing. Dr. Andreas Kranzl
Finanzierung
NFB FTI Call
Laufzeit
01.03.2019 – 28.02.2022
Projektstatus
laufend
Beteiligte Institute, Gruppen und Zentren
Center for Digital Health Innovation
Institut für Creative\Media/Technologies
Institut für Gesundheitswissenschaften