Estimation basée sur l'apprentissage automatique de l'équilibre dynamique et de l'adaptabilité de la marche chez les personnes atteintes de maladies neurologiques à l'aide de capteurs inertiels

Rapports scientifiques volume 13, Numéro d'article : 8640 (2023) Citer cet article

507 accès

2 Altmétrique

Détails des métriques

Un mauvais équilibre dynamique et une mauvaise adaptation de la marche à différents contextes sont des caractéristiques des personnes atteintes de troubles neurologiques (PwND), entraînant des difficultés dans la vie quotidienne et un risque accru de chute. Une évaluation fréquente de l'équilibre dynamique et de l'adaptabilité à la marche est donc essentielle pour suivre l'évolution de ces déficiences et/ou les effets à long terme de la rééducation. L'indice de marche dynamique modifié (mDGI) est un test clinique validé spécifiquement consacré à l'évaluation des facettes de la marche en milieu clinique sous la supervision d'un physiothérapeute. La nécessité d'un environnement clinique limite par conséquent le nombre d'évaluations. Les capteurs portables sont de plus en plus utilisés pour mesurer l'équilibre et la locomotion dans des contextes réels et peuvent permettre une augmentation de la fréquence de surveillance. Cette étude vise à fournir un test préliminaire de cette opportunité en utilisant des régresseurs d'apprentissage automatique à validation croisée imbriqués pour prédire les scores mDGI de 95 PwND via des signaux inertiels collectés lors de courtes périodes de marche à l'état stable dérivées du test de marche de 6 minutes. Quatre modèles différents ont été comparés, un pour chaque pathologie (sclérose en plaques, maladie de Parkinson et accident vasculaire cérébral) et un pour la cohorte multipathologique regroupée. Les explications du modèle ont été calculées sur la solution la plus performante ; le modèle formé sur la cohorte multipathologique a donné une erreur de test absolue médiane (intervalle interquartile) de 3,58 (5,38) points. Au total, 76 % des prédictions se situaient dans la limite minimale détectable de 5 points du mDGI. Ces résultats confirment que les mesures de marche à l'état d'équilibre fournissent des informations sur l'équilibre dynamique et l'adaptabilité de la marche et peuvent aider les cliniciens à identifier les caractéristiques importantes à améliorer pendant la rééducation. Les développements futurs comprendront la formation de la méthode à l'aide de courtes périodes de marche à l'état d'équilibre dans des contextes réels, l'analyse de la faisabilité de cette solution pour intensifier la surveillance des performances, la détection rapide des aggravations/améliorations et des évaluations cliniques complémentaires.

Les personnes en bonne santé s'adaptent facilement aux perturbations environnementales : elles récupèrent des impulsions externes et apprennent la dynamique de la marche dans différents contextes. La locomotion nécessite une modulation continue de la coordination dans et entre les membres pour maintenir l'équilibre pendant la progression et pour répondre aux demandes provenant de l'environnement réel (par exemple, passer de la marche en ligne droite à la marche sur un obstacle)1. Pour atteindre cet objectif, le système nerveux central exploite le contrôle sensorimoteur qui transmet et intègre les entrées sensorielles visuelles, proprioceptives et vestibulaires pour détecter les déviations de la posture verticale et générer la réponse musculaire appropriée pour corriger ces déviations1, 2. Parce que la rétroaction sensorimotrice est altérée chez les personnes atteintes de troubles neurologiques (PwND), l'équilibre dynamique (c'est-à-dire la capacité de maintenir l'équilibre tout en bougeant le corps) et son adaptabilité aux changements environnementaux sont altérés3, entraînant un risque élevé de chute. En fait, les facteurs prédictifs de chute les plus couramment retrouvés sont les troubles de la marche et les troubles de l'équilibre4. Ainsi, de nombreux outils d'évaluation de l'équilibre dynamique ont été développés, notamment des échelles cliniques5, des marqueurs quantitatifs de la marche6, la posturographie7, des protocoles de prévention des chutes8 et des tests à une ou deux tâches9. En ce qui concerne les échelles cliniques, l'échelle d'équilibre de Berg10, le MiniBESTest10, le timed up and go (TUG)11 et l'indice de marche dynamique modifié (mDGI)12, 13 sont parmi les plus couramment utilisés en pratique clinique pour mesurer l'équilibre chez les PwND. Comparativement à l'échelle de Berg, qui n'évalue pas l'équilibre dynamique au cours de la locomotion, et au TUG et au MiniBESTest, qui évaluent cet aspect dans quelques tâches fonctionnelles (c'est-à-dire une tâche au TUG et cinq tâches au MiniBESTest), le mDGI est spécifiquement dédié à la mesure de la capacité d'un individu à maintenir son équilibre et à adapter sa marche en présence de diverses sollicitations environnementales, essentielles pour effectuer les activités locomotrices de la vie quotidienne sans chuter. Le mDGI évalue huit facettes de la marche ; il évalue la distance, le temps, l'ambiance, le terrain, la charge physique, l'attention et les transitions posturales, qui sont représentatives des exigences environnementales d'un humain qui marche. Le score le plus élevé possible sur le mDGI est de 64 points. Le mDGI a été largement validé chez des sujets à mobilité réduite14, 15 et dans différentes cohortes pathologiques telles que les accidents vasculaires cérébraux (ST), le dysfonctionnement vestibulaire, la sclérose en plaques (SEP), les lésions cérébrales traumatiques et la maladie de Parkinson (MP)12, 13. Récemment, Torchio et al. ont fourni des valeurs seuils pour identifier les PwND avec un risque de chute nul ou minime (score mDGI \(> 49\)) et les PwND avec un risque élevé de chute (score mDGI \(\le 29\))16. Le changement minimal détectable dans mDGI est de 5 points dans PwND14, 15.

Une étude précédente des huit items du mDGI a trouvé une forte corrélation entre le score mDGI et les indices dérivés instrumentalement17, suggérant que les déterminants cinématiques peuvent prédire l'équilibre dynamique. Malgré ces résultats encourageants, l'évaluation de l'équilibre et de l'adaptation de la marche à différents environnements n'est encore effectuée que par du personnel spécialisé en milieu clinique et nécessite des outils spécifiques, tels que des obstacles ou des escaliers. De telles exigences, à leur tour, limitent le nombre de séances d'évaluation possibles, tandis qu'une surveillance fréquente permettrait de mieux suivre les changements possibles causés par l'évolution de la pathologie ou les interventions de réadaptation/pharmacologiques. À cet égard, la possibilité de prédire l'équilibre dynamique et l'adaptabilité locomotrice à l'aide de capteurs portables lors de courtes périodes de marche répétées (c'est-à-dire 10 foulées) à l'état d'équilibre, facilement réalisées au cours de la vie quotidienne également par les PwND (par exemple lors d'une promenade seule ou avec un soignant), représenterait une première étape pour augmenter la fréquence de surveillance et compléter les évaluations périodiques en clinique18, 19.

En tant que test préliminaire de cette opportunité, cette étude a mis en œuvre un modèle d'apprentissage automatique (ML) interprétable ciblant le score mDGI en utilisant des unités de mesure inertielle (IMU) pour collecter des données lors de courtes périodes de marche en régime permanent d'un test de marche de 6 minutes (6MWT). Après avoir confirmé statistiquement l'association entre les variables instrumentales et le score mDGI, nous avons émis l'hypothèse que les modèles ML basés sur ces variables peuvent prédire l'équilibre dynamique et l'adaptabilité de la marche (c'est-à-dire les scores mDGI) dans les PwND, y compris la sclérose en plaques (MS), la maladie de Parkinson (MP), ou accident vasculaire cérébral (ST). Si cette hypothèse est confirmée, les résultats de la présente étude pourraient offrir un point de départ clair pour évaluer la faisabilité de cette approche dans la vie quotidienne. Les déterminants des aspects temporels de la marche, de l'intensité, de la douceur, de la stabilité, de la symétrie et de la régularité ont été extraits d'une configuration 3-IMU. Ensuite, une régression Elastic-Net (EN) régularisée a été développée en utilisant une approche de validation croisée imbriquée. Ce pipeline a été répété pour la cohorte multipathologique (MP) et les cohortes à pathologie unique (SP\(_{MS}\), SP\(_{PD}\) et SP\(_{ST}\)). De plus, nous avons intégré le modèle de solution le plus performant avec une technique d'explicabilité basée sur les valeurs de Shapley (SHapley Additive exPlanations, SHAP20, 21).

La cohorte regroupée - 95 PwND, F = 43, âge médian = 60 ans [IQR = 19] - a donné un score médian 6MWT de 346 m [IQR = 21] et un mDGI médian de 46 points [IQR = 21] (Tableau 1). Pour les groupes MS, PD et ST, la durée médiane de la maladie correspondait respectivement à 19, 4 et 7 ans. Le 6MWT médian était de 316 [IQR = 182], 332 [IQR = 194] et 372 [IQR = 152] m, et le score médian mDGI était de 40 [IQR = 21], 46 [IQR = 29] et 50 [IQR = 14], respectivement. Selon les valeurs seuils définies par Torchio et al.16, 39 des 95 participants (41 %) avaient un risque de chute faible/minimal (score mDGI > 49), tandis que 17 (18 %) avaient un risque de chute élevé (score mDGI \(\le\) 29). Le nombre (pourcentage) de personnes présentant un risque de chute faible/minime était de 18 (35 %) pour la SEP, 17 (59 %) pour la MP et 4 (27 %) pour le groupe ST. Le nombre (pourcentage) d'individus à haut risque de chute était de 7 (14 %) pour la SEP, 3 (10 %) pour la MP et 4 (27 %) pour le groupe ST.

La corrélation de Spearman univariée préliminaire a montré que le 6MWT était significativement associé au mDGI (\(p < 0,001\)) pour les cohortes regroupées et individuelles (tableau 2). Dans la cohorte regroupée, des durées plus longues de foulée et des temps de double appui ont entraîné une diminution du mDGI. Une association positive avec l'équilibre dynamique a été trouvée pour le swing et le temps de support unique. Les mêmes tendances ont été trouvées dans les groupes MS et PD. À l'inverse, le groupe ST n'a présenté ce comportement que pour \(T_{d,support}\) et \(T_{s,support}\). La régularité de la marche (sous la forme de régularité des pas et des foulées) était positivement associée au score mDGI (\(p < 0,01\)) pour tous les axes dans les cohortes regroupées et MS, et sur les axes verticaux pour le groupe PD. De plus, la régularité de la foulée médiolatérale (ML) était positivement corrélée avec le mDGI chez les patients parkinsoniens. La fluidité de la marche, exprimée sous la forme d'un rapport harmonique amélioré (iHR), a entraîné une relation positive avec le mDGI pour les trois axes dans les cohortes MS, PD et regroupées et dans la direction verticale (VT) pour les patients atteints de ST. Les valeurs d'accélération quadratique moyenne étaient significativement associées au mDGI pour tous les groupes et tous les axes. Les exposants de Lyapunov dans la direction AP des cohortes regroupées et MS présentaient une association négative avec le résultat (\(p < 0,01\)). Le groupe à pathologie unique, en particulier les groupes MS et PD, a démontré une relation inversement significative entre la secousse verticale normalisée et les valeurs mDGI. De plus, chez les personnes atteintes de ST et de SEP, le mDGI était inversement associé à l'âge et à la durée de la maladie. La présence d'un support bilatéral ou monolatéral a considérablement réduit les performances du mDGI, en particulier dans les groupes MS et PD.

Dans le modèle MP, le modèle EN optimisé a donné un régresseur avec une erreur de validation absolue médiane de 4,07 points [IQR = 0,07] sur les 95 plis extérieurs à un seul sujet (LOSO). L'erreur absolue agrégée du test était égale à 3,58 points [IQR = 5,41] avec un \(R^{2} = 0,81\) (Fig. 1, panneau A). Ainsi, 76 % des prédictions se situaient dans la limite minimale détectable de 5 points du mDGI. En subdivisant les prédictions MP en trois sous-cohortes (Fig. 1, panneau C) et en calculant les coefficients de corrélation au sein des groupes, un \(R^{2}\) de 0,79, 0,85 et 0,78 a été obtenu respectivement pour les sous-cohortes MS, PD et ST, respectivement. De même, les erreurs de test de groupe individuel ont donné 2,92 [IQR = 5,21], 4,11 [IQR = 6,04] et 3,22 [IQR = 4,41] points pour les sous-cohortes MS, PD et ST, respectivement. Les modèles à pathologie unique (SP) ont entraîné une erreur de test globale (agrégée) de 4,91 points [IQR = 5,09] et un \(R^{2}\) = 0,76 (Fig. 1, panneau B). À savoir, les modèles SP individuels ont entraîné une erreur de test absolue médiane de 4,64 points [IQR = 3,86] pour le groupe MS, 4,76 points [IQR = 9,47] pour le groupe PD et 5,64 points [IQR = 2,92] pour le groupe ST (Fig. 1, panneau D). Aucune différence significative (tests des rangs signés de Wilcoxon) n'a été trouvée entre les modèles SP combinés et le modèle MP ou entre les modèles SP individuels et leurs regroupements respectifs des prédictions MP. Les modèles formés à l'aide de données non dérivées de capteurs inertiels ont entraîné une précision réduite dans les cas MP et SP. En particulier, pour les modèles MP et SP combinés, le \(R^{2}\) est passé de 0,81 à 0,56 et de \(R^{2}\) = 0,76 à 0,46, respectivement (Fig. 1 supplémentaire). En appliquant un seuil de 5 au modèle MP dérivé uniquement des données cliniques, une précision de classification de 49 % a été obtenue. De même, après avoir sélectionné des pathologies individuelles dans le modèle MP, le \ (R ^ {2} \) est passé de 0, 79, 0, 85 et 0, 78 à 0, 55, 0, 75 et 0, 22, respectivement pour les modèles MS, PD et ST (Fig. 1 supplémentaire). Afin d'évaluer les performances prédictives du modèle sans le score 6MWT (estimation de la vitesse de marche), le pipeline a été répété, en supprimant ces informations des données d'entraînement (Fig. 2 supplémentaire). Cette approche a entraîné une erreur absolue médiane de 5,01 [IQR = 5,6] pour le modèle MP (\(R^{2}\) = 0,78), sans différence significative par rapport au modèle MP avec le score 6MWT inclus (Mann–Whitney, \(p > 0,05\)).

Tracé des prédictions de test pour le modèle MP (panneau A) et les modèles ST (panneau B). Dans les deux panneaux, la couleur du marqueur indique le type de support d'assistance tandis que le type de marqueur indique la pathologie. La ligne grise en pointillés \(y = x\) indique des prédictions idéales, tandis que le rectangle gris ombré qui l'entoure représente une limite de \(\pm 5\) points (MDC). Ci-dessous, avec des diagrammes en violon (et des diagrammes en essaim superposés), les distributions d'erreurs absolues de test sont représentées. Les erreurs de test du modèle MP (MP) ont été regroupées en fonction de la pathologie (\(MP_{MS}, \; MP_{PD}, \; MP_{ST}\)) et fournies dans le panneau (C), tandis que les modèles SP (\(SP_{combined}\)) ont combiné les erreurs de test et les modèles individuels respectifs sont rapportés dans le panneau (D).

Dans le modèle MP (Fig. 2, panneau A), la présence d'un dispositif d'assistance bilatéral ou unilatéral était le facteur qui montrait la plus forte association négative avec le résultat. Les coefficients de Lyapunov, calculés sur les trois axes, étaient corrélés négativement avec la prédiction mDGI. De plus, un \(T_{stride}\) et un \(T_{d,supp}\) plus longs étaient liés à un équilibre dynamique réduit (c'est-à-dire un score mDGI inférieur). L'endurance à la marche (c'est-à-dire la distance parcourue en 6 min, mesurée avec le 6MWT), l'intensité du mouvement (c'est-à-dire Acc.RMS), la régularité de la foulée calculée sur les axes AP/VT et la durée de la phase d'appui unique \(T_{s,supp}\) étaient positivement associées aux scores mDGI et, par conséquent, à une forte capacité à maintenir l'équilibre dynamique. Dans le modèle \(SP_{MS}\) (Fig. 2, panneau B), la présence d'un dispositif d'assistance, des \(T_{stride}\) plus longs et des \(T_{d,supp}\) plus longs étaient associés à des valeurs mDGI plus faibles. De plus, des valeurs plus élevées de valeurs de jerk normalisées et des exposants de Lyapunov plus élevés dans les directions VT/AP ont entraîné une réduction de l'équilibre dynamique. Une régularité de foulée accrue sur les trois axes, des \(T_{s,supp}\) plus longs et des valeurs d'accélération plus élevées sur les axes AP étaient tous liés à un mDGI plus élevé dans le groupe MS.

Coefficients de régression \(\beta\) des modèles Elastic-Net pour le MP (panel A), \(SP_{MS}\) (panel B), \(SP_{PD}\) (panel C) et \(SP_{ST}\) (panel D). Les coefficients de régression obtenus à partir des modèles de la répartition externe non suivie d'un sujet sont agrégés. Par conséquent, chaque poids variable est indiqué via un box-plot au lieu d'un bar-plot pour tenir compte de cette variabilité. Les fonctionnalités sont triées par ordre croissant des valeurs médianes \(\beta\) sur les plis.

Dans le groupe PD, la présence d'un dispositif d'assistance était la variable qui montrait l'association la plus négative avec le résultat (Fig. 2, panneau C). Des scores mDGI plus faibles chez les personnes atteintes de MP ont également été impactés négativement par des valeurs plus élevées de \(CV_{T,step}\), \(CV_{T,stride}\) (c'est-à-dire, variabilité du pas et de la foulée) et \(T_{stride}\). À l'inverse, le Lyapunov des axes ML/AP a maintenu un fort effet négatif sur le mDGI dans le modèle PD. Les personnes atteintes de MP n'étaient presque pas affectées par les changements des coefficients de Lyapunov dans la direction verticale. Des valeurs RMS d'accélération plus rapides et une régularité de foulée plus élevée dans les trois directions étaient associées à des valeurs mDGI plus élevées dans le modèle PD et à une symétrie de marche plus élevée quantifiée par \(iHR_{AP}\) et \(iHR_{ML}\).

Notamment, dans le modèle ST, la durée de la maladie et la présence d'appareils d'assistance étaient les variables les plus négativement associées au mDGI. Les coefficients de Lyapunov dans toutes les directions ont affecté l'équilibre des participants post-AVC (Fig. 2, panneau D). Comme dans le cas des participants atteints de MP, la cohorte ST présentait une forte association négative entre \(CV_{T,step}\) et \(CV_{T,stride}\) et le score mDGI. La régularité de la foulée et les valeurs d'accélération RMS sur les axes AP étaient les caractéristiques les plus fortement corrélées avec les mDGI des participants post-AVC.

Les valeurs SHAP du modèle MP (Fig. 3) ont indiqué que le prédicteur mDGI le plus puissant est le score 6MWT. En ce qui concerne les appareils fonctionnels, trois effets distincts sont observés : aucun appareil fonctionnel (bleu), une assistance monolatérale (violet) et une assistance bilatérale (rose). Par rapport à l'assistance monolatérale, l'utilisation d'appareils d'assistance bilatéraux a entraîné des limitations plus fortes des capacités dynamiques. En conjonction avec les coefficients de régression associés, des valeurs élevées de régularité de foulée sur les axes VT et AP ont eu un impact positif sur le mDGI. De plus, des valeurs plus élevées d'accélération RMS antéropostérieure ont contribué à augmenter les valeurs prédites. Les valeurs SHAP ont confirmé que les coefficients de Lyapunov sur les trois axes ont fourni une forte contribution à la prédiction de mDGI avec un effet négatif (c'est-à-dire que des coefficients de Lyapunov plus élevés sont prédictifs d'une mDGI prédite plus faible). De plus, des foulées plus rapides et des périodes de support unique plus longues ont positivement influencé les prédictions du modèle. Les contributions des caractéristiques à la prédiction des patients avec une erreur de prédiction absolue supérieure à 10 points ont été comparées aux contributions de l'ensemble de la cohorte. Aucune différence systématique dans l'importance des caractéristiques n'a été trouvée entre les patients mal classés et les patients correctement prédits (Fig. 3, panneaux A et B).

Les valeurs SHAP du modèle MP ont été calculées pour toutes les coalitions de caractéristiques à plusieurs reprises pour chacun des plis de test externes et agrégées ensemble. Dans le panneau (A et B), ils sont présentés dans l'ordre selon la \(moyenne|Shapley_{i}|\) pour tous les patients testés. Respectivement, dans le panneau (A), toutes les instances sont signalées tandis que sur le panneau (B), seules les instances mal classées de plus de 10 points mDGI sont affichées. Sur les axes x, les caractéristiques individuelles normalisent la contribution sur les valeurs mDGI, la prédiction du modèle pour chaque patient étant la somme de toutes les contributions des caractéristiques.

Dans cette étude, nous avons formé, optimisé et validé un modèle de régression net élastique capable de prédire le score mDGI à partir d'une configuration 3-IMU utilisée lors de courtes périodes de marche à l'état d'équilibre (10 foulées chacune) extraites du 6MWT. L'erreur médiane [IQR] était de 3,58 [5,38] points, ce qui est inférieur au mDGI MDC (c'est-à-dire 5 points). Le filet élastique a été choisi comme modèle adopté car il s'agit d'une régression linéaire multivariée régularisée et l'un des modèles ML les plus simples. En particulier, la régularisation était nécessaire pour tenir compte de la grande dimensionnalité des prédicteurs par rapport à la taille modérée de l'échantillon et pour éviter le surajustement. La régularisation a été choisie à la place des méthodes de dépistage des caractéristiques statistiques pour éviter la contamination train-test. Enfin, les régressions linéaires telles que le filet élastique permettent également l'évaluation des coefficients de régression et donc une évaluation de l'importance des caractéristiques basée sur un modèle. La comparaison des modèles développés avec des algorithmes entraînés uniquement sur des caractéristiques non dérivées des IMU (score 6MWT et présence d'appareils d'assistance) a montré que les caractéristiques basées sur l'IMU sont cruciales dans l'évaluation de l'équilibre dynamique et de l'adaptabilité de la marche. En particulier, la comparaison des performances de classification obtenues après l'application d'un seuil basé sur le MDC a montré comment l'utilisation des fonctionnalités liées à l'IMU améliorait la précision de 27 % (de 49 à 76 %), entraînant une amélioration de la classification pour 26 patients sur 95. Ces résultats encourageants représentent un point de départ solide pour de futures études axées sur la faisabilité de cette approche dans des contextes réels, dans le but final d'augmenter la fréquence de surveillance et de compléter l'évaluation en clinique.

Le modèle multipathologique (MP), formé avec une cohorte de personnes atteintes de SEP, de MP et de ST, a abouti à la solution la plus performante. De manière inattendue, les modèles à pathologie unique (SP) n'ont pas surpassé les modèles MP. La raison peut être double. Premièrement, les cohortes PD et ST étaient considérablement plus petites que la cohorte SEP. Par conséquent, chez les personnes atteintes de ST et de MP, les prédictions des modèles entraînés sur la cohorte MP peuvent avoir été influencées par la présence, dans l'ensemble d'entraînement, des patients atteints de SEP, qui représentaient près de 50 % des participants. Deuxièmement, différentes déficiences neurologiques pourraient entraîner différentes altérations du schéma de marche, entraînant des effets comparables en termes d'équilibre dynamique et d'adaptabilité de la marche, qui peuvent encore être interprétables par un modèle MP. Ce dernier a été confirmé par la présence de différences significatives entre les groupes dans le timing de la marche (temps de support double et simple, temps de pas et de balancement) et la régularité de la marche (pas et foulée) sur les trois axes (tableau supplémentaire 1). Cela pourrait permettre de surmonter le besoin de former et de déployer des modèles individuels pour des pathologies spécifiques. Dans cette étude, nous avons inclus plusieurs variables indépendantes pour prédire le score mDGI, notamment des informations sur les données démographiques des participants, la durée de la maladie et le type d'appareil d'assistance, qui sont connus pour être associés à l'équilibre dynamique17, 22 et à l'évaluation du risque de chute23, 24. , régularité et variabilité de la foulée/des pas, symétrie de la marche et instabilité dynamique locale)25,26,27, qui sont connus pour être altérés dans les PwND3, 19, 28,29,30,31,32. Les altérations des paramètres spatio-temporels de la marche ont été bien documentées dans MS33, PD34 et ST35. En revanche, la quantification des facteurs liés à la qualité de la marche n'a suscité que récemment de l'intérêt ; par rapport aux facteurs spatio-temporels, les aspects sont (1) plus robustes aux différences dans les paramètres de test27, (2) plus sensibles aux déficiences légères36, (3) plus sensibles aux effets de la réadaptation37 et (4) plus fortement associés à la capacité de marche rapportée par le patient38.

Les modèles linéaires peuvent associer des niveaux d'importance aux caractéristiques, en conservant la transparence dans la construction du modèle (par exemple, le coefficient \(\beta\) dans les régressions et les statistiques de test dans les comparaisons de groupe). Cependant, ces techniques ne fournissent pas encore une estimation par patient de la contribution des caractéristiques aux prédictions. Pour cette raison, l'intégration de la régression régularisée par filet élastique avec SHAP donne des modèles traduisibles, favorisant la confiance des opérateurs cliniques et l'interprétabilité des erreurs. En ce qui concerne les caractéristiques les plus importantes selon SHAP (Fig. 3), le score 6MWT a eu le plus grand impact sur la prédiction du score mDGI et a confirmé la forte corrélation positive entre le 6MWT et les mesures d'équilibre clinique (c. Bien que le 6MWT évalue l'endurance à la marche, son score peut être considéré comme une estimation de la vitesse de marche durable sur de longues périodes. Ainsi, ces résultats renforcent l'importance de la vitesse de marche en tant que "sixième signe vital"42 associé à plusieurs considérations liées à la santé, notamment l'équilibre dynamique et les chutes43. L'utilisation d'un dispositif d'assistance était la deuxième caractéristique la plus importante dans la prédiction du score mDGI. Ce résultat était attendu puisque le niveau d'assistance représente l'un des sous-scores cliniques du mDGI. Cependant, il convient de souligner qu'une étude précédente sur des personnes atteintes de troubles neurologiques17, a montré que les mesures basées sur l'IMU décrivant la locomotion pendant les tâches mDGI (1) indiquaient une plus grande déficience chez les personnes utilisant des dispositifs d'assistance que chez celles qui n'en avaient pas, et (2) étaient significativement corrélées avec les scores mDGI et TUG. Combinés, ces résultats ont renforcé l'association entre les aides à la marche et les modèles de marche altérés et, en conséquence de cette corrélation, un équilibre dynamique plus faible. De plus, étant donné que les dispositifs d'assistance sont souvent adoptés chaque fois qu'un trouble de l'équilibre dynamique survient, il est raisonnable de supposer que les dispositifs d'assistance sont associés à un risque de chute plus élevé.

Six des 10 contributeurs les plus importants décrivaient la qualité de la marche (c'est-à-dire la régularité, l'intensité et l'instabilité dynamique), soulignant davantage l'importance de ces variables dans la caractérisation de la locomotion et de l'équilibre dynamique. Le rôle de ces paramètres dans la prédiction mDGI a persisté malgré la forte contribution de la vitesse de marche (6MWT), suggérant que, malgré leur dépendance à la vitesse de marche44, ces métriques fournissent des informations supplémentaires différentes. Ce dernier démontre que pour conserver un équilibre dynamique suffisant, un contrôle fin de la position ou de la vitesse des liens corporels est une nécessité cruciale, complémentaire à une vitesse de marche constante. De même, Carpinella et al. ont trouvé des corrélations statistiquement significatives entre les mesures de la qualité de la marche et le sous-score mDGI—Item 8, même après correction de la vitesse de marche45.

Parmi les mesures de la qualité de la marche, la régularité élevée de la foulée calculée à partir des accélérations du tronc VT et AP a fourni des contributions positives à la prédiction mDGI. Ce résultat est cohérent avec les résultats chez les personnes âgées fragiles, dont l'équilibre et les troubles locomoteurs étaient caractérisés par une plus grande variabilité de l'accélération du tronc entre les foulées (c'est-à-dire une régularité de foulée plus faible) dans les directions AP et VT46. Les auteurs ont émis l'hypothèse que cette découverte pourrait être liée à l'incapacité des sujets fragiles à générer une propulsion cohérente et bien équilibrée du corps dans le plan sagittal. Cette hypothèse pourrait également s'appliquer aux PwND. Des corrélations significatives entre les mesures de la régularité de la foulée et les mesures de l'équilibre ont déjà été trouvées dans des études antérieures sur les personnes âgées47 et PwND45, 48, 49, confirmant que la régularité de la marche est une cible potentielle de rééducation pour améliorer l'équilibre dynamique et l'adaptabilité de la marche. L'intensité du mouvement dans la direction AP (Acc. RMS\(_{AP}\)) a également fortement contribué à la valeur prédite du mDGI, c'est-à-dire que plus l'accélération AP du tronc est élevée, meilleurs sont l'équilibre dynamique et l'adaptabilité de la marche. Ce résultat est étayé par des études antérieures qui ont trouvé une réduction de l'intensité des mouvements chez les personnes atteintes de MP, ST et MS50,51,52 (caractérisées par des déficits d'équilibre) par rapport aux témoins sains. Compte tenu de la forte corrélation entre l'accélération du tronc et la vitesse de marche44, une explication préliminaire du résultat ci-dessus pourrait être que l'accélération du tronc est positivement associée à l'équilibre dynamique car la vitesse de marche est positivement associée à l'équilibre dynamique. Cependant, une réduction de l'intensité des mouvements a déjà été observée chez les personnes atteintes de SEP par rapport à des sujets sains marchant à une vitesse comparable53. De plus, dans le modèle actuel, Acc. RMS\(_{AP}\) représentait le quatrième facteur le plus important, malgré la forte contribution de la vitesse de marche (6MWT). Une deuxième hypothèse peut ainsi être formulée : les personnes atteintes de maladies neurologiques peuvent minimiser les mouvements du haut du corps (c'est-à-dire l'accélération du tronc) pendant la marche dans le but de compenser les déficiences des membres inférieurs (en amortissant les perturbations du membre atteint) et de maintenir une stabilité dynamique50. L'instabilité dynamique locale de la marche a également fourni une forte contribution à la prédiction mDGI. Ce résultat indique qu'un équilibre dynamique plus faible est associé à une instabilité dynamique locale plus élevée, c'est-à-dire que le système locomoteur a plus de difficulté à faire face aux petites perturbations spontanées causées par des facteurs environnementaux (par exemple, des surfaces inégales) ou des facteurs internes (par exemple, des erreurs de neurocontrôle)54. Une étude précédente sur des personnes atteintes de SEP à un stade précoce et non handicapées a révélé que l'exposant AP Lyapunov était significativement corrélé avec des échelles d'équilibre clinique telles que l'échelle d'équilibre avancée de Fullerton et le TUG28. Les présents résultats renforcent ce résultat et démontrent que l'instabilité dynamique locale de la marche est associée à l'équilibre dynamique ; cette constatation est également vraie pour les personnes gravement handicapées atteintes de différentes conditions neurologiques et peut donc être considérée comme une mesure quantitative valide du contrôle de l'équilibre pendant la marche. En ce qui concerne les caractéristiques temporelles de la marche, seules la durée de la foulée et de l'appui unique ont été trouvées parmi les 10 facteurs les plus importants pour la prédiction du mDGI. En particulier, une foulée prolongée (c'est-à-dire une cadence réduite) et une phase d'appui simple plus courte (c'est-à-dire une durée d'appui double plus longue) sont associées à un équilibre dynamique plus faible, conformément à la stratégie prudente de protection typique adoptée pour compenser les troubles de l'équilibre et maintenir une démarche stable45. Comme le montre la figure 3, la symétrie de la marche, mesurée par des rapports harmoniques améliorés (iHR), n'a fourni qu'une contribution mineure à l'estimation du score mDGI, ce qui suggère que cet aspect est plus fortement associé à l'efficacité énergétique de la marche qu'à l'équilibre dynamique55.

En résumé, ce travail démontre que les mesures descriptives des courtes périodes de marche à l'état d'équilibre composant le 6MWT incluent des informations suffisantes pour prédire l'équilibre dynamique et l'adaptabilité de la marche aux demandes externes et indiquent que les deux évaluations ne sont pas mutuellement indépendantes. De plus, puisque le mDGI mesure l'adaptabilité de la marche à différents environnements, il est raisonnable qu'une meilleure qualité de marche soit le point focal d'une adaptation rapide, et donc d'une marche plus saine. Ces résultats peuvent éclairer la rééducation en indiquant les caractéristiques les plus importantes à aborder lors de l'entraînement à l'équilibre. Les modèles déployés ont été formés sur des données enregistrées au cours des 10 foulées centrales d'un couloir d'hôpital de 30 m parcourues à plusieurs reprises par le sujet pendant 6 min sous la supervision d'un physiothérapeute, comme l'exige le 6MWT. Bien que ce type de marche ne soit pas équivalent à celui utilisé dans la vie quotidienne, ces résultats fournissent une base prometteuse pour de futures études qui testent la possibilité d'étendre la validité du modèle actuel à des marches libres plus générales, y compris de courtes périodes de marche en régime permanent extraites d'une promenade typique. Des technologies récemment développées basées sur des appareils portables permettent déjà l'acquisition et le traitement de données lors de la marche libre et fournissent des résultats immédiatement après l'enregistrement56 ou même en temps réel57, 58. En ce qui concerne le sujet spécifique de cette étude, la mise en place d'une application smartphone dédiée (qui embarque le modèle proposé avec toutes les procédures de traitement des données) capable d'envoyer automatiquement les résultats aux cliniciens pourrait permettre une évaluation répétée (auto-administrée ou supervisée de manière minimale par un soignant) de l'équilibre dynamique et de l'adaptabilité de la marche en milieu écologique lors de tâches de marche facilement soutenue par PwND. L'utilisation d'une telle application permettrait d'augmenter la fréquence des évaluations, de suivre l'évolution des performances causée par la maladie ou par les effets de la réadaptation/du traitement pharmacologique et de compléter les examens en clinique. Une des limites de l'étude est le caractère rétrospectif et monocentrique des données disponibles. Ainsi, étant donné la nature rétrospective des données, le pouvoir prédictif des caractéristiques liées à l'IMU sur les sous-éléments individuels de l'échelle mDGI n'a pas pu être évalué. Ce dernier fournirait des informations sur la relation entre les déterminants/déficiences spécifiques de la marche et les différents domaines du concept d'équilibre dynamique. De plus, dans le modèle proposé, le plus fort contributeur à la prédiction est la vitesse de marche, ici estimée avec le score 6MWT, qui est couramment enregistré par le kinésithérapeute en pratique clinique mais qui n'est pas disponible dans des contextes réels. Les développements futurs de la présente approche devraient inclure l'estimation de la vitesse de marche à partir de capteurs inertiels sur le tronc59 ou sur les membres inférieurs60, 61. Une autre limitation est que les mesures instrumentées calculées à partir de l'IMU étaient liées aux 10 foulées centrales des couloirs en ligne droite uniquement, excluant ainsi les indices descriptifs des virages. Ce choix a été fait sur la base d'études antérieures26, 50, 62 et de résultats publiés sur de jeunes adultes en bonne santé63, qui ont démontré que certaines des mesures de la qualité de la marche considérées (par exemple, le rapport harmonique) sont affectées par les changements de direction ; à notre connaissance, cependant, l'effet des virages sur d'autres indices, tels que les paramètres temporels, de lissage et d'intensité, n'a pas été étudié jusqu'à présent. De plus, aucune donnée n'est disponible concernant l'effet de tourner en marchant sur les paramètres de marche chez les personnes atteintes de troubles neurologiques. Néanmoins, compte tenu de l'impact élevé des virages sur l'équilibre et les chutes64, 65, l'inclusion de mesures descriptives des virages (par exemple, la vitesse et la durée des virages) pourrait encore améliorer la prédiction mDGI. Les études futures devraient aborder ce problème et analyser la fiabilité de l'évaluation actuelle basée sur l'IMU en utilisant un groupe différent de 10 foulées du 6MWT du patient. De plus, même si les classificateurs fonctionnent bien en moyenne, les prédictions incluent des valeurs aberrantes. Néanmoins, d'un point de vue méthodologique, l'analyse SHAP confirme que ces valeurs aberrantes ne résultaient d'aucun biais cohérent dans la prédiction et n'étaient donc pas causées par une erreur systématique observable dans notre ensemble de caractéristiques. Cette dernière, associée à l'approche de validation croisée imbriquée qui simule le test de nouveaux patients entrant dans le modèle, confirme la fiabilité des résultats. D'un point de vue clinique, la présence de valeurs aberrantes avec une erreur d'estimation mDGI supérieure à 5 points pourrait conduire à une mauvaise interprétation des résultats. Par exemple, si la différence entre les scores mDGI collectés à deux moments distincts est supérieure à 5 points, un changement significatif réel des performances ou une erreur de prédiction pourrait en être la cause. Pour pallier ce problème, il est essentiel que le dispositif portable embarquant le modèle de prédiction envoie automatiquement et immédiatement les résultats au clinicien afin que celui-ci puisse les analyser et, si nécessaire, organiser un examen en clinique. Cependant, une analyse plus approfondie concernant l'utilisation d'un seul capteur IMU et son emplacement optimal est nécessaire avant que les algorithmes ne soient intégrés dans une application pour smartphone. En conclusion, nous avons déployé un modèle utilisant des techniques de ML pour prédire le score mDGI dans une cohorte de patients atteints de troubles neurologiques et avons obtenu des précisions similaires dans tous les groupes de pathologies. L'approche de validation croisée imbriquée garantissait que, dans la boucle de test externe sans un sujet, chaque patient était affecté une fois à l'ensemble de tests. Ainsi, la boucle interne de validation croisée k-fold, utilisée pour l'optimisation des hyperparamètres, évite la contamination train-dev-test pour le choix des paramètres du modèle. De plus, notre approche visait une estimation de la valeur mDGI continue au lieu de classer les groupes en fonction de leur risque de chute66, 67. Cette approche permet aux chercheurs et aux cliniciens de post-traiter les prédictions de régression et de dériver une classification en imposant des limites d'erreur ; l'inverse n'est pas possible. Cet outil précieux aide à combler le fossé entre les évaluations traditionnelles de l'équilibre et de la marche supervisée en milieu clinique et les évaluations automatisées et auto-administrées dans des contextes réels, dans le but de réduire le temps et les coûts nécessaires pour suivre l'évolution de la maladie ou les effets du traitement.

Quatre-vingt-quinze personnes souffrant de maladies neurologiques ont été recrutées à l'IRCCS Fondazione Don Carlo Gnocchi (Milan, Italie). La cohorte était composée de 51 personnes atteintes de sclérose en plaques (SEP), 25 personnes atteintes de la maladie de Parkinson (MP) et 19 personnes post-AVC (ST). Pour être inclus dans l'étude, les participants devaient avoir entre 20 et 85 ans ; être capable de marcher 20 m, même avec un appareil fonctionnel ; et ont un score au mini-examen de l'état mental (MMSE) de \(\ge\) 21. Les personnes atteintes de SEP n'ont été incluses que si elles avaient un certain diagnostic et n'avaient pas rechuté au cours des deux mois précédents. Les personnes atteintes de MP n'étaient inscrites que si leur score de Hoehn et Yahr était < 4. Les participants post-AVC n'étaient inclus que si le délai après l'apparition était > 2 mois. Les critères d'exclusion incluaient une incapacité à comprendre et à signer le consentement éclairé, la présence d'une complication psychiatrique ou des troubles cardiovasculaires ou visuels majeurs. Tous les participants ont signé un consentement éclairé écrit pour participer à cette étude (conformément à la Déclaration d'Helsinki). Toutes les méthodes ont été approuvées par le comité d'éthique de l'IRCCS Fondazione Don Carlo Gnocchi, Milan (réf. 29-03-2017 et 13-02-2019). Toutes les procédures ont été effectuées conformément aux directives et réglementations en vigueur.

Le mDGI a été administré par des kinésithérapeutes expérimentés (Fig. 4, panneau A)14. Il se compose de 8 items (par exemple, marcher en tournant la tête, contourner ou franchir des obstacles, marcher dans des escaliers). Chaque élément est évalué sur la base de trois aspects : schéma de marche (sous-score : 0–3), niveau d'assistance (sous-score : 0–2) et temps (sous-score : 0–3). Le score total mDGI (c'est-à-dire la somme des sous-scores de tous les items) varie de 0 à 64, les valeurs croissantes indiquant de meilleures performances. Dans PwND, le niveau d'activité antérieur pourrait avoir un impact sur les performances suivantes ; ainsi, les participants devaient se reposer après l'exécution du mDGI. Le temps de repos était déterminé par le patient et supervisé par le kinésithérapeute. Les participants ont effectué le test de marche de 6 minutes (6MWT68), qui mesure l'endurance à la marche. Le test nécessitait de marcher dans les deux sens le long d'un couloir de 30 m pendant 6 min à une vitesse rapide mais sûre. Au besoin, le participant peut utiliser un appareil fonctionnel. La présence d'un dispositif d'assistance a été codée ici comme monolatérale, bilatérale ou sans support. Les participants atteints de MP ont été testés alors qu'ils étaient en phase pendant le traitement antiparkinsonien, environ deux heures après la prise de médicaments. La distance parcourue en 6 min était enregistrée par l'examinateur et représentait le score clinique du test. Les participants ont exécuté le 6MWT en portant trois IMU (MTw, XSens, NL) fixées au bas du tronc (niveau L5) et aux jarrets, à environ 20 mm au-dessus des malléoles latérales. Le capteur de tronc a été placé sur le bas du dos puisque cette position est la plus couramment utilisée, selon la littérature69. La position des capteurs de la tige a été choisie car c'était celle associée à la moindre instabilité du capteur, en raison des artefacts des tissus mous. En particulier, le rapport d'une diminution de 4 à 51 % d'artefacts a été trouvé par rapport au placement d'IMU dans d'autres parties de la tige ou des pieds70. Les capteurs étaient fixés au corps par des bandes élastiques avec des bandes velcro, qui peuvent également être facilement appliquées par le sujet de manière autonome ou avec l'aide d'un soignant. Les accélérations tridimensionnelles et les vitesses angulaires ont été enregistrées à partir des trois IMU à une fréquence d'échantillonnage de 75 Hz ; cette fréquence a été considérée comme adéquate aux fins de la présente étude puisqu'elle se situait dans la plage des fréquences d'échantillonnage (25 à 1 000 Hz) utilisées dans les études précédentes69, 71. Ensuite, les accélérations du tronc ont été réorientées vers un système de coordonnées horizontal-vertical72. Seules les courtes séquences de marche en régime permanent, représentées par 10 foulées consécutives au milieu de chaque couloir, ont été considérées pour l'analyse ultérieure, après avoir écarté les portions de signaux relatives aux virages de 180\(^\circ\) à la fin de chaque couloir de 30 m73. Les événements de frappe et de relâchement du pied ont été calculés à partir de la vitesse angulaire autour de l'axe médio-latéral de chaque tige74. Ensuite, les déterminants temporels de la marche tels que la foulée moyenne, le pas et le temps de balancement, et la durée des appuis simples et doubles ont été calculés. Ces mesures ont été choisies parce qu'elles représentent des mesures traditionnelles de la marche et montrent des déficiences bien documentées chez les PwND33,34,35. De plus, pour les temps de pas et de foulée, les coefficients de variation respectifs ont été ajoutés à l'ensemble de données, en tant que mesures de la variabilité du pas et de la foulée, qui sont généralement plus élevées chez les PwND que chez les sujets sains75. Ensuite, un ensemble de 18 métriques a été calculé, à partir de tous les composants d'accélération du tronc (antéro-postérieur, médio-latéral et vertical), pour fournir des informations sur les domaines de la qualité de la marche (c'est-à-dire l'intensité, la régularité, la symétrie, la stabilité et la douceur) proposés par la littérature précédente. L'intensité de la marche a été quantifiée par la valeur quadratique moyenne de l'accélération27. Le domaine de la régularité de la marche était représenté par les indices de régularité de la foulée et du pas calculés, respectivement, comme les deuxième et premier pics de la fonction d'autocorrélation non biaisée calculée à partir de chaque composante d'accélération76. La symétrie de la marche a été quantifiée par le rapport harmonique amélioré (iHR) calculé selon Pasciuto et al.62. Le domaine de stabilité était représenté par l'exposant de Lyapunov à court terme. Cette métrique quantifie l'(in)stabilité dynamique locale de la marche, qui reflète la capacité de l'appareil locomoteur à faire face aux petites perturbations naturellement présentes lors de la marche, telles que les perturbations externes ou les erreurs de contrôle interne54. L'exposant de Lyapunov à court terme a été calculé sur la durée d'une étape, comme détaillé ailleurs28. En bref, les accélérations du tronc liées à dix foulées consécutives dans la partie centrale de chaque séance de marche ont été rééchantillonnées sur 1 000 images (10 foulées \(\fois\) 100 images)54, 77 afin de maintenir la même longueur de données entre les séances de marche et les participants. Cette procédure a été appliquée pour le calcul de l'exposant de Lyapunov à court terme uniquement, car ce paramètre est fortement influencé par la longueur du signal54, 77. Par conséquent, l'exposant de Lyapunov à court terme a été calculé selon la méthode de Rosenstein78, avec m = 5 et T = 10 échantillons (m et T ont été estimés à l'aide d'algorithmes publiés79). Des valeurs croissantes de l'exposant de Lyapunov reflètent la capacité décroissante du système locomoteur à gérer de petites perturbations, indiquant ainsi une plus grande instabilité dynamique. Enfin, le domaine de la fluidité de la marche a été quantifié via le logarithme du jerk (première dérivée temporelle de l'accélération), normalisé par rapport à la durée de la foulée et à l'accélération moyenne80. Tous les paramètres ont été calculés pour chaque courte séance de marche à l'état d'équilibre (10 foulées) dérivée du 6MWT ; les valeurs médianes sur l'ensemble du test ont ensuite été calculées pour réduire l'effet d'éventuelles valeurs aberrantes. Dans la présente cohorte, le nombre d'épisodes de marche était toujours supérieur ou égal à 3. Les mesures de qualité de la marche ci-dessus ont été choisies parce qu'elles montraient une corrélation statistiquement significative avec le score mDGI (voir tableau 2) et parce que la littérature antérieure a démontré leur robustesse à différents paramètres de test27, leur sensibilité à une déficience subtile28, 36, 38 et aux effets de la réadaptation37, et leur capacité à faire la distinction entre différents niveaux de gravité de la maladie50, 81.

Pipeline modèle. Dans le panneau (A), les étapes du protocole de collecte de données sont signalées. Dans les panneaux (B et C), respectivement les étapes de prétraitement et les boucles de déploiement du modèle sont présentées.

Aucune valeur manquante n'était présente dans l'ensemble de données et aucune technique d'imputation des données n'a été adoptée. Pour évaluer initialement les corrélations univariées entre les caractéristiques basées sur l'IMU et le mDGI, toutes les caractéristiques extraites ont été soumises à l'analyse de corrélation de Spearman, la variable dépendante étant définie sur le mDGI. Pour évaluer si les variables catégorielles avaient un effet sur le mDGI, les variables catégorielles binaires (par exemple, le sexe) et multi-classes (par exemple, la présence d'un dispositif d'assistance) ont été soumises à un test de Mann-Whitney et un test de Kruskal-Wallis, respectivement. Cette procédure a été réalisée pour la cohorte regroupée et les trois cohortes à pathologie unique. Enfin, pour évaluer si différents groupes de pathologies étaient associés à différents déterminants biomécaniques, une analyse de groupe (test de Kruskal-Wallis) a été réalisée, avec des variables indépendantes définies sur les caractéristiques dérivées de l'IMU et des variables de regroupement définies sur la pathologie (MS, PD, ST). Le seuil de significativité a été fixé à 0,05.

Pour éviter la contamination des trains-tests, toutes les caractéristiques extraites sont entrées dans les modèles ML suivants. À savoir, un type de régression régularisé, le filet élastique (EN), a été mis en œuvre. L'EN combine les pénalités des régressions LASSO et Ridge82, surmontant leurs problèmes de mise en œuvre respectifs. Ridge ajoute une régularisation quadratique via des pénalités L2, en attribuant un coefficient non nul à toutes les caractéristiques du modèle et en conservant les coefficients même si la variable indépendante correspondante n'est pas pertinente pour la prédiction. À l'inverse, la régression LASSO est connue pour se détériorer avec des variables indépendantes multicolinéaires83 mais néglige des caractéristiques spécifiques. Le filet élastique combine l'élimination des caractéristiques de LASSO et la réduction du coefficient de Ridge et améliore les deux, produisant des estimations de paramètres de régression comme suit :

Les cas particuliers \(\lambda _{2} = 0 \; \lambda _{1} \ne 0\) et \(\lambda _{1} = 0 \; \lambda _{2} \ne 0\) correspondent respectivement aux régressions LASSO et Ridge, incluant donc à la fois LASSO et Ridge dans l'espace des hypothèses du modèle EN. Dans l'implémentation de Scikit-Learn

le \(l1_{ratio}\) décrit la tendance vers une régularisation LASSO (\(l1_{ratio} \sim 1\)) ou une régularisation Ridge (\(l1_{ratio} \sim 0\)) et le \(\alpha\) agit comme un paramètre d'échelle du processus de régularisation.

Afin de maximiser la robustesse du modèle, nous avons mis en place une approche de validation croisée imbriquée. En bref, une telle approche consiste en deux boucles de validation croisée k-fold : une boucle externe identifie l'ensemble de test pour chacun de ses plis, tandis que la boucle interne implémente une autre division de l'ensemble de données pour la formation et la validation84. Dans la couche externe (couche de test), une procédure de test LOSO a été utilisée (Fig. 4, panneau C). Plus précisément, un patient à la fois a été retenu pour les tests et les N - 1 restants ont été utilisés pour la formation et la validation croisée. Le patient N - 1 a été rééchantillonné à l'aide de la technique de suréchantillonnage synthétique de minorité pour la régression (SMOTER85), générant des échantillons d'entraînement et de validation répartis de manière égale sur la plage mDGI. Ensuite, l'ensemble d'entraînement rééchantillonné a été utilisé pour valider et optimiser les hyper-paramètres du modèle en minimisant l'erreur absolue médiane de validation croisée \(E_{val} = \frac{\sum _{k=1}^{3} Accuracy_{k}}{K_{inner\, folds}}\) et en faisant la moyenne des précisions sur les K plis internes (Eq. 3). Pour la régression EN, \(\alpha\) et \(l1_{ratio}\) ont été optimisés avec le taux de sous-échantillonnage de la classe majoritaire (\(\%d\)) et le taux de génération d'échantillons synthétiques de la classe minoritaire (\(\%o\))85. Plus précisément, les deux pourcentages pouvaient varier entre 200 et 800 %. Le nombre de plis internes (K) utilisés pour optimiser tous les paramètres susmentionnés a été fixé à 3. Ensuite, avec des hyper-paramètres optimaux, les régressions EN ont été recyclées sur tous les patients \(N-1\) en formation, y compris les échantillons synthétiques. Enfin, le modèle a été testé sur le patient écarté du split externe. Cette procédure a été répétée pour la cohorte multipathologique (MP) et les cohortes à pathologie unique (\(SP_{MS}\), \(SP_{PD}\) et \(SP_{ST}\)) et les prédictions sur les échantillons de test externes ont été stockées et agrégées (Fig. 4). Le pipeline décrit a été répété à l'aide de trois ensembles de données différents : (1) caractéristiques et variables cliniques dérivées de l'IMU (score 6MWT, présence d'appareils fonctionnels), (2) variables cliniques uniquement (Fig. 1 supplémentaire) et (3) données dérivées de l'IMU uniquement (Fig. 2 supplémentaire). Tous les pipelines d'apprentissage automatique ont été implémentés avec les bibliothèques Optuna et Scikit-Learn.

Les modèles linéaires généralisés permettent déjà des mesures d'interprétabilité et d'explicabilité en attribuant à chaque variable indépendante k l'amplitude de son coefficient de régression associé k et donc en calculant l'effet de toutes les caractéristiques sur la prédiction via le produit scalaire \(\cdot\)x. Néanmoins, compte tenu de la mise en œuvre de la validation croisée imbriquée, dans la division externe, chaque patient est inclus N 1 fois dans un ensemble d'apprentissage et une seule fois dans un ensemble de test. Par conséquent, N modèles entraînés sur la permutation N de N 1 patients donneront N estimations de paramètres (K, N). En conséquence, l'évaluation de l'importance des caractéristiques en faisant la moyenne des coefficients N est possible mais présente deux inconvénients majeurs. Premièrement, la variabilité qui en résulte dans les estimations des paramètres peut être pertinente. Deuxièmement, les estimations sont dérivées des tendances moyennes dans le sous-ensemble de formation et ne sont pas spécifiques au patient. SHAP surmonte ces limites en déterminant les contributions des caractéristiques à la prédiction spécifiquement pour les sujets individuels, ce qui donne une valeur par sujet et par caractéristique20, 21.

Des tests de rang signé de Wilcoxon ont été appliqués entre le modèle MP et les prédictions agrégées des modèles SP. De plus, les modèles SP individuels ont également été comparés aux prédictions des mêmes instances faites par le modèle MP avec les tests de rang signé de Wilcoxon.

Les données ont été fournies avec le manuscrit et les codes peuvent être mis à disposition sur demande de Piergiuseppe Liuzzi et Ilaria Carpinella à des fins de réplication uniquement.

Indice de marche dynamique modifié

Les personnes atteintes de maladies neurologiques

Chronométré et partez

Sclérose en plaques

la maladie de Parkinson

Accident vasculaire cérébral

Test de marche de 6 minutes

Unités de mesure inertielle

Multi-pathologie

Antéro-postérieur

Vertical

mi-latéral

SHapley explications additives

Changement minimalement détectable

Patla, A. Stratégies pour la stabilité dynamique pendant la locomotion humaine adaptative. IEEE Eng. Méd. Biol. 22, 48–52. https://doi.org/10.1109/memb.2003.1195695 (2003).

Article Google Scholar

Zampogna, A. et al. Quinze ans de capteurs sans fil pour l'évaluation de l'équilibre dans les troubles neurologiques. Capteurs 20, 3247. https://doi.org/10.3390/s20113247 (2020).

Article ADS PubMed PubMed Central Google Scholar

Lencioni, T. et al. Stratégies de maintien de l'équilibre dynamique chez les personnes atteintes de troubles neurologiques lors de la marche en surface. Proc. Inst. Méca. Ing. Partie H J. Eng. Méd. 235, 1079–1087. https://doi.org/10.1177/09544119211023624 (2021).

Article Google Scholar

Tinetti, ME & Kumar, C. Le patient qui tombe : "C'est toujours un compromis". J. Am. Med. Assoc. 2303, 58–266. https://doi.org/10.1001/jama.2009.2024 (2010).

Article Google Scholar

Mancini, M. & Horak, FB La pertinence des outils d'évaluation de l'équilibre clinique pour différencier les déficits d'équilibre. EUR. J.Phys. Réhabilit. Méd. 46, 239–48 (2010).

CAS PubMed Google Scholar

Verghese, J., Holtzer, R., Lipton, RB et Wang, C. Marqueurs de marche quantitatifs et risque de chute chez les personnes âgées. J. Gérontol. Ser. Un Biol. Sci. Méd. Sci. 64A, 896–901. https://doi.org/10.1093/gerona/glp033 (2009).

Article Google Scholar

Edginton Bigelow, K. & Berme, N. Développement d'un protocole pour améliorer l'utilité clinique de la posturographie comme outil de dépistage du risque de chute. J. Gérontol. Ser. Un Biol. Sci. Méd. Sci. 66A, 228–233. https://doi.org/10.1093/gerona/glq202 (2011).

Article Google Scholar

Stevens, JA & Phelan, EA Développement de STEADI : Une ressource de prévention des chutes pour les fournisseurs de soins de santé. Promotion de la santé. Pratique. 14, 706–714. https://doi.org/10.1177/1524839912463576 (2013).

Article PubMed Google Scholar

Muir-Hunter, S. & Wittwer, J. Test à double tâche pour prédire les chutes chez les personnes âgées vivant dans la communauté : une revue systématique. Physiothérapie 102, 29–40. https://doi.org/10.1016/j.physio.2015.04.011 (2016).

Article CAS PubMed Google Scholar

Godi, M. et al. Comparaison de la fiabilité, de la validité et de la réactivité de l'échelle mini-bestest et de l'échelle d'équilibre de Berg chez les patients souffrant de troubles de l'équilibre. Phys. Là. 93, 158–167. https://doi.org/10.2522/ptj.20120171 (2012).

Article PubMed Google Scholar

Yelnik, A. & Bonan, I. Outil clinique d'évaluation des troubles de l'équilibre. Neurophysiol. Clin. Clin. Neurophysiol. 38, 439–45. https://doi.org/10.1016/j.neucli.2008.09.008 (2009).

Article Google Scholar

Matsuda, PN, Taylor, CS et Shumway-Cook, A. Preuve de la validité de l'indice de marche dynamique modifié dans les groupes de diagnostic. Phys. Là. 9, 996-1004. https://doi.org/10.2522/ptj.20130294 (2014).

Article Google Scholar

Corrini, C. et al. Différence minimale cliniquement importante de l'indice de marche dynamique modifié chez les personnes atteintes de troubles neurologiques. Posture de marche 90, 210–214. https://doi.org/10.1016/j.gaitpost.2021.08.024 (2021).

Article PubMed Google Scholar

Shumway-Cook, A., Taylor, CS, Matsuda, PN, Studer, MT & Whetten, BK Étendre le système de notation pour l'indice de marche dynamique. Phys. Là. 93, 1493-1506. https://doi.org/10.2522/ptj.20130035 (2013).

Article PubMed Google Scholar

Shumway-Cook, A., Matsuda, PN & Taylor, C. Enquête sur la validité du cadre environnemental sous-jacent à l'indice de marche dynamique original et modifié. Phys. Là. 95, 864–870. https://doi.org/10.2522/ptj.20140047 (2015).

Article PubMed Google Scholar

Torchio, A. et al. Identification des seuils de l'indice de marche dynamique modifié pour évaluer le risque de chute chez les personnes atteintes de la maladie de Parkinson, d'un accident vasculaire cérébral et de la sclérose en plaques. Posture de marche 91, 1–6. https://doi.org/10.1016/j.gaitpost.2021.09.201 (2021).

Article PubMed Google Scholar

Anastasi, D. et al. Version instrumentée de l'indice de marche dynamique modifié chez les patients atteints de troubles neurologiques. PM R 11, 1312–1319. https://doi.org/10.1002/pmrj.12137 (2019).

Article PubMed Google Scholar

Ancône, S. et al. Wearables dans l'évaluation à domicile des mouvements anormaux dans la maladie de Parkinson : une revue systématique de la littérature. J. Neurol. https://doi.org/10.1007/s00415-020-10350-3 (2021).

Article PubMed Google Scholar

Carpinella, I. et al. Évaluation instrumentale de la montée des escaliers chez les personnes atteintes de sclérose en plaques, d'AVC et de la maladie de Parkinson : une approche basée sur des capteurs portables. IEEE Trans. Système neuronal. Réhabilit. Ing. 26, 2324–2332. https://doi.org/10.1109/TNSRE.2018.2881324 (2018).

Article PubMed Google Scholar

Lundberg, SM et al. Prédictions d'apprentissage automatique explicables pour la prévention de l'hypoxémie pendant la chirurgie. Nat. Biomédical. Ing. 2, 749. https://doi.org/10.1038/s41551-018-0304-0 (2018).

Article PubMed PubMed Central Google Scholar

Lundberg, SM et al. Des explications locales à la compréhension globale avec une IA explicable pour les arbres. Nat. Mach. Renseignement. 2, 2522–5839. https://doi.org/10.1038/s42256-019-0138-9 (2020).

Article Google Scholar

Demura, S., Yamaji, S. et Kitabayashi, T. Différences liées au sexe et à l'âge de la capacité d'équilibrage dynamique basées sur divers mouvements de pas chez les personnes âgées en bonne santé. J. Hum. Ergol. 34, 1–11 (2005).

Google Scholar

Marschollek, M. et al. Évaluation des risques de chute basée sur des capteurs — Un expert « à emporter ». Méthodes Inf. Méd. 50, 420–6. https://doi.org/10.3414/ME10-01-0040 (2011).

Article CAS PubMed Google Scholar

van Schooten, K. et al. Évaluation ambulatoire du risque de chute : la quantité et la qualité de la marche quotidienne prédisent les chutes chez les personnes âgées. J. Gérontol. Ser. Un Biol. Sci. Méd. Sci. 70, 608–615. https://doi.org/10.1093/gerona/glu225 (2015).

Article CAS Google Scholar

Ihlen, E., Weiss, A., Beck, Y., Helbostad, J. & Hausdorff, J. Une étude comparative des mesures de stabilité dynamique locale de la vie quotidienne marchant chez les personnes âgées vivant dans la communauté et les non-chuteurs. J. Biomech. 49, 1498-1503. https://doi.org/10.1016/j.jbiomech.2016.03.019 (2016).

Article PubMed Google Scholar

Riva, F., Bisi, M. & Stagni, R. Mesures de la variabilité et de la stabilité de la marche : nombre minimal de foulées et fiabilité intra-session. Calcul. Biol. Méd. 50C, 9–13. https://doi.org/10.1016/j.compbiomed.2014.04.001 (2014).

Article Google Scholar

Angelini, L. et al. Une caractérisation de la marche basée sur un capteur portable est-elle suffisamment robuste pour surmonter les différences entre les protocoles de mesure ? une étude pragmatique multicentrique chez des patients atteints de sclérose en plaques. Capteurs 20, 79. https://doi.org/10.3390/s20010079 (2019).

Article ADS PubMed PubMed Central Google Scholar

Caronni, A. et al. Stabilité dynamique locale de la marche chez les personnes atteintes de sclérose en plaques précoce et de troubles neurologiques légers. IEEE Trans. Système neuronal. Réhabilit. Ing. 28, 1389–1396. https://doi.org/10.1109/TNSRE.2020.2991636 (2020).

Article PubMed Google Scholar

Plotnik, M., Wagner, J., Adusumilli, G., Gottlieb, A. & Naismith, R. Asymétrie de la marche et coordination bilatérale de la marche lors d'un test de marche de six minutes chez des personnes atteintes de sclérose en plaques. Sci. Rep. 10, 12382. https://doi.org/10.1038/s41598-020-68263-0 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Socie, M. & Sosnoff, J. Variabilité de la démarche et sclérose en plaques. Multiple Scler. Int. 2013, 645197. https://doi.org/10.1155/2013/645197 (2013).

Article Google Scholar

Patterson, K., Gage, W., Brooks, D., Black, S. et McILROY, W. Évaluation de la symétrie de la marche après un AVC : comparaison des méthodes actuelles et recommandations de normalisation. Posture de marche 31, 241–6. https://doi.org/10.1016/j.gaitpost.2009.10.014 (2009).

Article PubMed Google Scholar

Godi, M., Arcolin, I., Giardini, M., Corna, S. & Schieppati, M. Un modèle physiopathologique de la marche capture les détails de l'altération du rythme, de la variabilité et de l'asymétrie chez les patients parkinsoniens à des stades distincts de la maladie. Sci. Rep. 11, 21143. https://doi.org/10.1038/s41598-021-00543-9 (2021).

Article ADS PubMed PubMed Central Google Scholar

Chee, J. et al. Influence de la sclérose en plaques sur les paramètres spatio-temporels de la marche : une revue systématique et une méta-régression. Cambre. Phys. Méd. Réhabilit. 102, 1801–1815. https://doi.org/10.1016/j.apmr.2020.12.013 (2021).

Article PubMed Google Scholar

Morris, M., Iansek, R., Matyas, T. et Summers, J. La pathogenèse de l'hypokinésie de la marche dans la maladie de Parkinson. Cerveau 117, 1169-1181. https://doi.org/10.1093/brain/117.5.1169 (1994).

Article PubMed Google Scholar

Wonsetler, E. & Bowden, M. Une revue systématique des mécanismes de changement de vitesse de marche après un AVC. Partie 1. Paramètres spatio-temporels et rapports d'asymétrie. Haut. Réadaptation après un AVC. 24, 1–12. https://doi.org/10.1080/10749357.2017.1285746 (2017).

Article Google Scholar

Carpinella, I. et al. La marche avec des tours de tête horizontaux est altérée chez les personnes atteintes de sclérose en plaques à un stade précoce présentant une locomotion normale. Devant. Neurol. 12, 821640. https://doi.org/10.3389/fneur.2021.821640 (2022).

Article PubMed PubMed Central Google Scholar

Hilfiker, R. et al. Stabilité dynamique locale en tant qu'indice réactif pour l'évaluation de l'effet de la réadaptation sur le risque de chute chez les patients atteints de sclérose en plaques : une étude longitudinale. BMC Rés. Notes 6, 260. https://doi.org/10.1186/1756-0500-6-260 (2013).

Article PubMed PubMed Central Google Scholar

Carpinella, I. et al. La qualité de la marche évaluée de manière instrumentale est plus pertinente que l'endurance et la vitesse de la marche pour expliquer la capacité de marche rapportée par le patient au stade précoce de la sclérose en plaques. EUR. J. Neurol. 28, 2259–2268. https://doi.org/10.1111/ene.14866 (2021).

Article PubMed Google Scholar

Bennett, S., Bromley, L., Fisher, N., Tomita, M. et Niewczyk, P. Validité et fiabilité de quatre mesures cliniques de la marche chez les patients atteints de sclérose en plaques. Int. J.MS Care 19, 247–252. https://doi.org/10.7224/1537-2073.2015-006 (2017).

Article PubMed PubMed Central Google Scholar

Combs, SA, Diehl, DM, Filip, J. & Long, E. Tests de vitesse de marche à courte distance chez les personnes atteintes de la maladie de Parkinson : fiabilité, réactivité et validité. Posture de marche 39, 784–788. https://doi.org/10.1016/j.gaitpost.2013.10.019 (2014).

Article PubMed Google Scholar

Pohl, P. et al. Influence des déficiences liées à l'AVC sur la performance au test de marche de 6 minutes. J. Réhabil. Rés. Dév. 39, 439–44 (2002).

Google Scholar PubMed

Fritz, S. & Lusardi, M. Livre blanc : « Vitesse de marche : le sixième signe vital ». J. Geriatr. Phys. Ther. 2001(32), 46–9. https://doi.org/10.1519/00139143-200932020-00002 (2009).

Article Google Scholar

Callisaya, ML & Verghese, J. L'association des tâches de mobilité en clinique et des mesures de la performance et du risque communautaires. PM R 10, 704-711.e1. https://doi.org/10.1016/j.pmrj.2017.12.008 (2018).

Article PubMed PubMed Central Google Scholar

Menz, H., Lord, S. & Fitzpatrick, R. Différences liées à l'âge dans la stabilité de la marche. Âge Vieillissement 32, 137–42 (2003).

Article PubMed Google Scholar

Lencioni, T., Carpinella, I., Rabuffetti, M., Cattaneo, D. & Ferrarin, M. Mesures de l'équilibre dynamique lors de la marche en palier chez des sujets adultes sains : relation avec l'âge, l'anthropométrie et les paramètres spatio-temporels de la marche. Porc. Inst. Méca. Ing. H 65, 131–140. https://doi.org/10.1177/0954411919889237 (2020).

Article Google Scholar

Moe-Nilssen, R. & Helbostad, J. La variabilité de l'accélération du tronc interstride, mais pas la variabilité de la largeur des pas, peut différencier les personnes âgées en forme et fragiles. Posture de marche 21, 164–70. https://doi.org/10.1016/j.gaitpost.2004.01.013 (2005).

Article PubMed Google Scholar

Callisaya, M., Blizzard, L., Mcginley, J., Schmidt, M. et Srikanth, V. Facteurs sensori-moteurs affectant la variabilité de la marche chez les personnes âgées - une étude basée sur la population. J. Gérontol. Ser. Un Biol. Sci. Méd. Sci. 65, 386–92. https://doi.org/10.1093/gerona/glp184 (2009).

Article Google Scholar

Handelzalts, S. et al. Aperçu des déficits de performance motrice après un AVC : une analyse automatisée et raffinée du test de coordination motrice des membres inférieurs (lemocot). J. NeuroEng. Réhabilit. 18, 1–10. https://doi.org/10.1186/s12984-021-00950-z (2021).

Article Google Scholar

Kalron, A., Dolev, M. et Givon, U. Validité de construction supplémentaire du test chronométré et aller comme mesure de la marche chez les personnes atteintes de sclérose en plaques. EUR. J.Phys. Méd. Réhabilit. 53, 841–847. https://doi.org/10.23736/S1973-9087.17.04599-3 (2017).

Article Google Scholar

Angelini, L. et al. Les capteurs portables peuvent quantifier de manière fiable les altérations de la marche associées au handicap chez les personnes atteintes de sclérose en plaques progressive dans un cadre clinique. J. Neurol. 267, 2897–2909. https://doi.org/10.1007/s00415-020-09928-8 (2020).

Article PubMed PubMed Central Google Scholar

Mizuike, C., Ohgi, S. & Morita, S. Analyse de la dynamique de marche des patients victimes d'un AVC à l'aide d'un accéléromètre triaxial. Posture de marche 30, 60–4. https://doi.org/10.1016/j.gaitpost.2009.02.017 (2009).

Article PubMed Google Scholar

Buckley, C., Galna, B., Rochester, L. & Mazzà, C. Accélérations du haut du corps en tant que biomarqueur de l'altération de la marche aux premiers stades de la maladie de Parkinson. Posture de marche 71, 289–295. https://doi.org/10.1016/j.gaitpost.2018.06.166 (2018).

Article PubMed Google Scholar

Huisinga, J., Mancini, M., St George, R. & Horak, F. L'accélérométrie révèle des différences dans la variabilité de la marche entre les patients atteints de sclérose en plaques et les témoins sains. Ann. Biomédical. Ing. 41, 1670-1679. https://doi.org/10.1007/s10439-012-0697-y (2012).

Article PubMed PubMed Central Google Scholar

Bruijn, S., Meijer, O., Beek, P. & Van Dieen, J. Évaluation de la stabilité de la locomotion humaine : examen des mesures actuelles. JR Soc. Interface R. Soc. 10, 20120999. https://doi.org/10.1098/rsif.2012.0999 (2013).

Article CAS Google Scholar

Ellis, R., Howard, K. & Kram, R. Les coûts métaboliques et mécaniques de l'asymétrie du temps de pas dans la marche. Proc. Biol. Sci. R. Soc. 280, 20122784. https://doi.org/10.1098/rspb.2012.2784 (2013).

Article Google Scholar

Alexander, S., Peryer, G., Gray, E., Barkof, F. & Chataway, J. Technologies portables pour mesurer les résultats cliniques dans la sclérose en plaques : un examen de la portée. Multiple Scler. 27, 1643–1656. https://doi.org/10.1177/1352458520946005 (2020).

Article Google Scholar

Casamassima, F. et al. L'invention concerne un système portable pour l'entraînement à la marche chez des sujets atteints de la maladie de Parkinson. Sensors (Bâle, Suisse) 14, 6229–46. https://doi.org/10.3390/s140406229 (2014).

Article ADS PubMed Google Scholar

Ginis, P. et al. Faisabilité et effets de l'entraînement à la rétroaction automatisé à domicile sur smartphone pour la marche chez les personnes atteintes de la maladie de Parkinson : essai pilote randomisé contrôlé. Parkinsonisme Relat. Désordre. 22, 28–34. https://doi.org/10.1016/j.parkreldis.2015.11.004 (2015).

Article Google Scholar

Soltani, A. et al. Algorithmes d'estimation de la vitesse de marche à l'aide d'un capteur inertiel lombaire : une validation croisée sur les plages de vitesse. IEEE Trans. Système neuronal. Réhabilit. Ing. 29, 1955-1964. https://doi.org/10.1109/TNSRE.2021.3111681 (2021).

Article CAS PubMed Google Scholar

Ferrari, A. et al. Une solution mobile basée sur un filtre de Kalman pour l'estimation en temps réel des paramètres spatio-temporels de la marche. IEEE Trans. Système neuronal. Réhabilit. Ing. Publ. IEEE Eng. Méd. Biol. Soc. 24, 764–773. https://doi.org/10.1109/TNSRE.2015.2457511 (2015).

Article Google Scholar

Trojaniello, D. et al. Estimation des paramètres spatio-temporels pas à pas de la marche normale et altérée à l'aide de capteurs magnéto-inertiels montés sur tige : application à la marche des personnes âgées, hémiparétiques, parkinsoniennes et choréiques. J. Neuroeng. Réhabilit. 11, 152. https://doi.org/10.1186/1743-0003-11-152 (2014).

Article PubMed PubMed Central Google Scholar

Pasciuto, I., Bergamini, E., Iosa, M., Vannozzi, G. & Cappozzo, A. Surmonter les limites du rapport harmonique pour une évaluation fiable de la symétrie de la marche. J. Biomech. 53, 84–89. https://doi.org/10.1016/j.jbiomech.2017.01.005 (2017).

Article PubMed Google Scholar

Riva, F., Grimpampi, E., Mazzà, C. & Stagni, R. Les mesures de variabilité et de stabilité de la marche sont-elles influencées par les changements de direction ?. Biomédical. Ing. En ligne 13, 56. https://doi.org/10.1186/1475-925X-13-56 (2014).

Article PubMed PubMed Central Google Scholar

Caronni, A. et al. Validité de critère du test chronométré instrumenté : une étude de régression partielle des moindres carrés. Posture de marche 61, 287–293. https://doi.org/10.1016/j.gaitpost.2018.01.015 (2018).

Article PubMed Google Scholar

Leach, J., Mellone, S., Palumbo, P., Bandinelli, S. et Chiari, L. Les mesures de virage naturel prédisent les chutes récurrentes chez les personnes âgées vivant dans la communauté : une étude de cohorte longitudinale. Sci. Rép. 8, 1–11. https://doi.org/10.1038/s41598-018-22492-6 (2018).

Article CAS Google Scholar

Lindberg, D. et al. Identification des facteurs importants dans un modèle de prédiction du risque de chute des patients hospitalisés pour améliorer la qualité des soins à l'aide du DSE et des données administratives électroniques : une approche d'apprentissage automatique. Int. J. Med. Informer. 143, 104272. https://doi.org/10.1016/j.ijmedinf.2020.104272 (2020).

Article PubMed PubMed Central Google Scholar

Non, B. et al. Approche d'apprentissage automatique basée sur Xgboost pour prédire le risque de chute chez les personnes âgées à l'aide des résultats de la marche. Sci. Rep. 11, 12183. https://doi.org/10.1038/s41598-021-91797-w (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Brooks, D., Solway, S. & Gibbons, W. Déclaration ATS sur le test de marche de six minutes. Suis. J. Respir. Crit. Soin Méd. 167, 1287. https://doi.org/10.1164/ajrccm.167.9.950 (2003).

Article PubMed Google Scholar

Storm, F., Cesareo, A., Reni, G. & Biffi, E. Capteurs inertiels portables pour évaluer la marche pendant le test de marche de 6 minutes : Une revue systématique. Capteurs 20, 2660. https://doi.org/10.3390/s20092660 (2020).

Article ADS PubMed PubMed Central Google Scholar

Scalera, G., Ferrarin, M., Marzegan, A. & Rabuffetti, M. Évaluation de la stabilité des sondes MIMU par rapport aux cadres de référence anatomiques basés sur des marqueurs cutanés pendant les tâches de locomotion : effet de différents emplacements sur le membre inférieur. Devant. Bioeng. Biotechnol. 9, 721900. https://doi.org/10.3389/fbioe.2021.721900 (2021).

Article PubMed PubMed Central Google Scholar

Pacini Panebianco, G., Bisi, M., Stagni, R. & Fantozzi, S. Analyse des performances de 17 algorithmes à partir d'une revue systématique : Influence de la position du capteur, variable analysée et approche informatique dans l'estimation de la synchronisation de la marche à partir des mesures imu. Posture de marche 66, 76–82. https://doi.org/10.1016/j.gaitpost.2018.08.025 (2018).

Article PubMed Google Scholar

Moe-Nilssen, R. Une nouvelle méthode pour évaluer le contrôle moteur dans la marche dans des conditions environnementales réelles. Clin. Bioméch. 13, 320–327. https://doi.org/10.1016/s0268-0033(98)00089-8 (1998).

Article Google Scholar

Nguyen, H. et al. Détection automatique et segmentation des activités de la vie quotidienne lors d'une tâche chronométrée chez les personnes atteintes de la maladie de Parkinson à l'aide de plusieurs capteurs inertiels. J. NeuroEng. Réhabilit. 14, 1–13. https://doi.org/10.1186/s12984-017-0241-2 (2017).

Article MathSciNet Google Scholar

Salarian, A. Évaluation de la marche dans la maladie de Parkinson : vers un système ambulatoire de surveillance à long terme. IEEE Trans. Biomédical. Ing. 51, 1434–43. https://doi.org/10.1109/TBME.2004.827933 (2004).

Article PubMed Google Scholar

Moon, Y., Sung, J., An, R., Hernandez, M. et Sosnoff, J. Variabilité de la démarche chez les personnes atteintes de troubles neurologiques : revue systématique et méta-analyse. Hum. Dév. Sci. 47, 197–208. https://doi.org/10.1016/j.humov.2016.03.010 (2016).

Article PubMed Google Scholar

Moe-Nilssen, R. & Helbostad, JL Estimation des caractéristiques du cycle de marche par accélérométrie du tronc. J. Biomech. 37, 121–126. https://doi.org/10.1016/S0021-9290(03)00233-1 (2004).

Article PubMed Google Scholar

Angleterre, S. & Granata, K. L'influence de la vitesse de marche sur la stabilité dynamique locale de la marche. Posture de marche 25, 172–8. https://doi.org/10.1016/j.gaitpost.2006.03.003 (2007).

Article PubMed Google Scholar

Rosenstein, MT, Collins, JJ & De Luca, CJ Une méthode pratique pour calculer les plus grands exposants de Lyapunov à partir de petits ensembles de données. Physique D Phénomène non linéaire. 65, 117–134. https://doi.org/10.1016/0167-2789(93)90009-P (1993).

Article ADS MathSciNet MATH Google Scholar

Wallot, S. & Mønster, D. Calcul de l'information mutuelle moyenne (AMI) et des faux voisins les plus proches (FNN) pour l'estimation des paramètres d'intégration des séries chronologiques multidimensionnelles dans Matlab. Devant. Psychol. 9, 1679. https://doi.org/10.3389/fpsyg.2018.01679 (2018).

Article PubMed PubMed Central Google Scholar

Caby, B., Kieffer, S., Hubert, M., Cremer, G. & Macq, B. Extraction et sélection de caractéristiques pour l'analyse objective de la marche et l'évaluation du risque de chute par accélérométrie. Biomédical. Ing. En ligne 10, 1. https://doi.org/10.1186/1475-925X-10-1 (2011).

Article PubMed PubMed Central Google Scholar

Castiglia, S. et al. Capacité d'un ensemble d'indices d'inertie du tronc de la marche à identifier l'instabilité de la marche et les chuteurs récurrents dans la maladie de Parkinson. Capteurs 21, 3449. https://doi.org/10.3390/s21103449 (2021).

Article ADS PubMed PubMed Central Google Scholar

Zou, H. & Hastie, T. Régularisation et sélection de variables via les filets élastiques. Statistique JR. Soc. B 67, 301–320 (2015).

Article MathSciNet MATH Google Scholar

Fan, J. & Li, R. Défis statistiques à haute dimensionnalité : sélection de caractéristiques dans la découverte des connaissances. Dans Actes du Congrès international des mathématiciens de Madrid, vol. 3 (2006).

Parvandeh, S., Yeh, H.-W., Paulus, MP & McKinney, BA Consensus propose une validation croisée imbriquée. Bioinformatique 36, 3093–3098. https://doi.org/10.1093/bioinformatics/btaa046 (2020).

Article CAS PubMed PubMed Central Google Scholar

Torgo, L., Branco, P., Ribeiro, RP et Pfahringer, B. Stratégies de rééchantillonnage pour la régression. Système expert. 32, 465–476. https://doi.org/10.1111/exsy.12081 (2015).

Article Google Scholar

Télécharger les références

Ce travail a été soutenu en partie par le "Programme Ricerca corrente RC2020-RC2021" et en partie par les fonds 5 × 1000 AF2018 : "Data Science in Rehabilitation Medicine" AF2019 : "Étude et développement de la science des données biomédicales et des méthodes d'apprentissage automatique pour soutenir la pertinence et le processus décisionnel en médecine de réadaptation" par le ministère italien de la Santé. Cette étude a également été soutenue par la région de Toscane par le biais du réseau toscan pour les approches bioélectroniques en médecine : algorithmes prédictifs basés sur l'IA pour le réglage fin des traitements électriques dans les maladies neurologiques, cardiovasculaires et endocrinologiques (TUNE-BEAM, n. H14I20000300002).

Ces auteurs ont contribué à parts égales : Maurizio Ferrarin et Andrea Mannini.

AIRLab, IRCCS Fondation Don Carlo Gnocchi ONLUS, 50143, Florence, Italie

Piergiuseppe Liuzzi & Andrea Mannini

Scuola Superiore Sant'Anna, Institut de BioRobotique, 56025, Pontedera, Italie

Piergiuseppe Liuzzi & Maria Chiara Carrozza

LAMoBIR et LaRiCE, IRCCS Don Carlo Gnocchi Foundation ONLUS, 20148, Milan, Italie

Ilaria Carpinella, Denise Anastasi, Elisa Gervasoni, Tiziana Lencioni, Rita Bertoni, Davide Cattaneo & Maurizio Ferrarin

Département de physiopathologie médico-chirurgicale et de transplantation, Université de Milan, 20122, Milan, Italie

David Cattanéo

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Conception et design de l'étude : DC, MF, AM Acquisition des données : EG, DA, RB Évaluation clinique des patients : EG, DA, RB Élaboration des signaux : IC, TL Analyse des données : PL, AM Interprétation des données : tous les auteurs. Rédaction du manuscrit : PL, IC Révision critique du manuscrit : tous les auteurs.

Correspondance à Ilaria Carpinella.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Liuzzi, P., Carpinella, I., Anastasi, D. et al. Estimation basée sur l'apprentissage automatique de l'équilibre dynamique et de l'adaptabilité de la marche chez les personnes atteintes de maladies neurologiques à l'aide de capteurs inertiels. Sci Rep 13, 8640 (2023). https://doi.org/10.1038/s41598-023-35744-x

Télécharger la citation

Reçu : 13 février 2023

Accepté : 23 mai 2023

Publié: 27 mai 2023

DOI : https://doi.org/10.1038/s41598-023-35744-x

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.