Hintergrund und Problemstellung

Zerebralparese (englisch: cerebral palsy, CP) ist eine neurologische Erkrankung, die europaweit 2–3 von 1.000 lebendgeborenen Kindern betrifft. Sie entsteht durch Schädigungen des Gehirns, die etwa infolge von Sauerstoffmangel, Infektionen, Giftstoffen oder Erkrankungen der Mutter während der Schwangerschaft auftreten können. Auch genetische Faktoren spielen eine Rolle.

Ein Verdacht auf Zerebralparese besteht häufig, wenn ein Kind spät zu laufen beginnt oder Anzeichen von Muskelschwäche zeigt. Die Erkrankung verschlechtert sich in der Regel nicht, kann sich aber im Laufe des Lebens auf unterschiedliche Weise äußern.

Die mit der Erkrankung einhergehende Muskelschwäche führen schon früh in der Kindheit zu einem veränderten Gangbild. Das wiederum hat Fehlbelastungen zur Folge und wirkt sich negativ auf das Wachstum der Oberschenkelknochen aus. Es entwickeln sich Verdrehungen der Knochen, die nach einigen Jahren den Kindern oft erhebliche Schwierigkeiten beim Gehen machen.

Die Krankheit ist nicht heilbar und bei einem Großteil der Patient*innen müssen die Fehlstellungen durch einen schweren operativen Eingriff korrigiert werden. Dabei werden die Knochen auseinandergesägt, in die korrekte Position gedreht und wieder zusammengeschraubt. Die Erfolgsquote der Operation ist unbefriedigend. Sie verbessert nur in 42% der Fällen das Gangbild.

Ziel

In dem vorliegenden Projekt haben wir vor, das Zusammenspiel der einzelnen Faktoren, die CP ausmachen, besser zu verstehen. Wir wollen vorhersagen können, ob operative Eingriffe erfolgversprechend sind und ob dadurch für die Patient*innen Verbesserungen zu erwarten sind.

Ziel ist es auch, Pathologien anhand der Parameter, die das Gangbild ausmachen früh zu erkennen. Sie bilden die Basis für individuell abgestimmte Gangschulungen mit denen präventiv gegen Fehlbelastungen vorgegangen werden kann. Operative Eingriffe sollen auf diese Weise minimiert oder vielleicht sogar ganz vermieden werden.

Methode

Das Projekt ruht auf drei Säulen:

• Muskuloskelettale Simulation (MSK), mit der sich Bewegungsabläufe, interne Belastungen und Muskellängen abschätzen lassen,
• 3-dimensionale Ganganalyse (3DGA) zur Analyse von Gang- und Bewegungsmustern,
• Methoden des Maschinellen Lernens (Deep-Learning-Modelle, DL), die auf Basis von Bewegungsdaten vorhersagen sollen, welche Ergebnisse bei einem operativen Eingriff zu erwarten sind.

Das DL-Modell wird mit einem großen Datensatz aus Gangdaten trainiert. Wie genau die Vorhersagen des Modells sind, wird hinterher systematisch evaluiert. Außerdem wird geprüft, ob Therapieempfehlungen auf Basis des Modells zu besseren Behandlungsergebnissen führen als Empfehlungen über herkömmliche Entscheidungswege.

Am Ende des Projektes steht ein Tool, das Ärzt*innen dabei unterstützt, eine individuell angepasste Therapie für jedes Kind zu entwickeln.

Partner

Fördergeber