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.
Informationen zu dem Vorgängerprojekt "IntelliGait" finden sich hier.
- Orthopädisches Spital Speising - Ing. Dr. Andreas Kranzl