Hintergrund

Die Analyse von menschlichen Gang- und Bewegungsmuster ist zu einem wichtigen Instrument in der medizinischen Diagnostik geworden. Gangmuster sind nicht nur ein Indikator für Verletzungen des Bewegungsapparates, sondern erlauben sogar Rückschlüsse auf Mortalität, Morbidität und die generelle Lebensqualität. Der Goldstandard zur Erkennung von Gang- und Bewegungsmustern ist die 3-dimensionale Ganganalyse (3DGA), welche in spezialisierten Kliniken durchgeführt wird. Hierbei werden reflektierende Marker an anatomischen Orientierungspunkten (Sprunggelenk, Knie, Hüfte, etc.) am Körper von Versuchspersonen oder Patient*innen angebracht und die Bewegungen dieser Marker mit speziellen Infrarotkameras aufgezeichnet (siehe Abbildung). Die Bewegung der Marker wird in Messgrößen umgewandelt, welche die individuellen Gangmuster beschreiben. Die Ergebnisse aus Ganganalysen können daher für das Gesundheitspersonal in Kliniken und Rehhabilitationseinrichtungen eine zusätzliche Entscheidungshilfe dafür sein, welche therapeutischen oder operativen Maßnahmen zu ergreifen sind.

Projektinhalt

Obwohl mit der 3DGA eine hohe Präzision bei der Datenerfassung erreicht werden kann, ist sie nicht ganz ohne Fehlerquellen. Vor allem Ungenauigkeiten beim Anbringen der Marker auf der Haut, Weichteilartefakte (Bewegung zwischen Haut, Gewebe und Knochen), sowie eine ungenaue Bestimmung der einzelnen Gangzyklen beeinträchtigen die 3DGA. Da diese Fehlerquellen bekannt sind, können sie von klinischen Expert*innen bis zu einem gewissen Grad berücksichtigt werden. Werden die Fehler jedoch zu groß, kann das die Aussagekraft der Daten derart schwächen, dass sie sogar unbrauchbar werden. Hier setzt das vorliegende Dissertationsprojekt an. Es versucht solche Fehlerquellen mit Methoden des maschinellen Lernens zu minimieren, Abläufe zu automatisieren und dadurch relevante Arbeitszeit für den klinischen Alltag einzusparen.

Ziele und Methodik

Maschinelles Lernen ermöglicht es große und komplexe Datensätze zu verarbeiten und daraus Muster und Informationen zu extrahieren, welche mit herkömmlichen Methoden schwer erkennbar sind oder nur unter viel Aufwand erarbeitet werden können. Bildgebende Verfahren (z. B. Computertomografie) nutzen maschinelles Lernen bereits intensiv und unterstützen damit das medizinische Personal bei der Identifikation von Tumoren, von Verletzungen oder anatomischen Strukturen. Auch in der Ganganalyse haben Verfahren des maschinellen Lernens ihre Nützlichkeit schon unter Beweis gestellt. Das vorliegende Projekt baut auf diesen Vorerfahrungen auf und verfolgt das Ziel, die Fehlerquellen der 3DGA zu minimieren, Bearbeitungsaufwände zu reduzieren und eine generelle Zeiteinsparung für das klinische Personal zu erreichen. Daraus entsteht natürlich auch ein Mehrwert für die Patient*innen. Die Projektziele sollen unter Verwendung von Methoden des maschinellen Lernens umgesetzt werden. Des Weiteren wird in diesem Projekt ein Tool entwickelt, das dem klinischen Personal die Arbeit im Bearbeitungsprozess von Ganganalysedaten erleichtern soll.

Ergebnis

Die während der Dissertation gewonnenen Erkenntnisse werden in international anerkannten Fachjournalen veröffentlicht und auf facheinschlägigen nationalen und internationalen Konferenzen präsentiert. Außerdem werden sie für den klinischen Alltag nutzbar gemacht, in der Praxis getestet, erweitert und optimiert, um langfristig einen Mehrwert für den klinischen Alltag zu schaffen.