Beurteilung der körperlichen Fähigkeiten von Sarkopenie-Patienten mittels Ganganalyse und intelligenter Einlegesohle zur Entwicklung eines digitalen Biomarkers

Scientific Reports Band 13, Artikelnummer: 10602 (2023) Diesen Artikel zitieren

485 Zugriffe

1 Altmetrisch

Details zu den Metriken

Ziel dieser Studie ist es, die Bedeutung der Variablen über mehrere Messinstrumente hinweg zu vergleichen und mithilfe intelligenter Einlegesohlen und Ganganalysen mit künstlicher Intelligenz (KI) Variablen zu erstellen, mit denen die körperlichen Fähigkeiten von Sarkopeniepatienten bewertet werden können. Durch die Analyse und den Vergleich von Sarkopenie-Patienten mit Nicht-Sarkopenie-Patienten zielt diese Studie darauf ab, Vorhersage- und Klassifizierungsmodelle für Sarkopenie zu entwickeln und digitale Biomarker zu entdecken. Die Forscher nutzten intelligente Einlagengeräte, um Plantardruckdaten von 83 Patienten zu sammeln, und ein Smartphone, um Videodaten zur Posenschätzung zu sammeln. Ein Mann-Whitney-U-Test wurde durchgeführt, um die Sarkopeniegruppe aus 23 Patienten und die Kontrollgruppe aus 60 Patienten zu vergleichen. Mithilfe einer intelligenten Einlegesohle und Posenschätzung wurden die körperlichen Fähigkeiten von Sarkopeniepatienten mit denen einer Kontrollgruppe verglichen. Die Analyse der Gelenkpunktvariablen zeigte signifikante Unterschiede bei 12 von 15 Variablen, jedoch nicht im Kniemittelwert, im Knöchelbereich und im Hüftbereich. Diese Ergebnisse legen nahe, dass digitale Biomarker verwendet werden können, um Sarkopeniepatienten mit verbesserter Genauigkeit von der Normalbevölkerung zu unterscheiden. In dieser Studie wurden Patienten mit Muskel-Skelett-Erkrankungen mit Patienten mit Sarkopenie verglichen, wobei intelligente Einlagen und Posenschätzungen zum Einsatz kamen. Mehrere Messmethoden sind für eine genaue Sarkopenie-Diagnose wichtig und die digitale Technologie bietet Potenzial zur Verbesserung von Diagnose und Behandlung.

Sarkopenie ist eine altersbedingte Abnahme der Muskelmasse, Kraft und Funktion. Es ist ein häufiges Problem bei älteren Menschen und kann zu eingeschränkter Mobilität, einem erhöhten Sturzrisiko, Frakturen und einer verminderten Lebensqualität führen1. Die Ursachen für Sarkopenie sind komplex und umfassen hormonelle Veränderungen, verminderte körperliche Aktivität, oxidativen Stress und Entzündungen sowie Veränderungen in der Muskelproteinsynthese und -abbau2,3. Zur Diagnose von Sarkopenie wurden mehrere Leitlinien entwickelt, und es gibt repräsentative Leitlinien, die von Institutionen wie EWGSOP und AWGS4,5,6 vorgelegt wurden. Diese Diagnoserichtlinien umfassen Punkte zur Bewertung der körperlichen Funktion von Patienten mit Sarkopenie, die derzeit auf verschiedene Weise gemessen werden1,7,8.

Die Diagnose einer Sarkopenie umfasst die Beurteilung von Muskelmasse, Kraft, körperlicher Leistungsfähigkeit und Körperzusammensetzung mithilfe verschiedener Methoden. Ein aktueller Schwerpunkt liegt auf der Bewertung der körperlichen Leistungsfähigkeit, wobei häufig Tools wie der Ganggeschwindigkeitstest, der Stuhlstandtest, der Timed Up and Go (TUG)-Test und der Handgriffkrafttest verwendet werden9,10. Allerdings sind diese Methoden anfällig für subjektive Vorurteile seitens des Messers oder der Umgebung. Um dieses Problem anzugehen, gibt es Bestrebungen, künstliche Intelligenz (KI) zur Erfassung körperlicher Leistungsdaten einzusetzen11. Insbesondere Studien wie die Berechnung von Gelenkwinkeln und -bereichen mithilfe der Posenschätzung werden aktiv diskutiert12,13.

Derzeit werden Forschungsarbeiten durchgeführt, um die Messgenauigkeit der körperlichen Leistungsfähigkeit von Patienten mithilfe intelligenter Geräte sowie KI-Technologien wie der Schätzung der Körperhaltung zu verbessern14,15,16. Die Posenschätzung ist eine Computer-Vision-Technologie, die Deep-Learning-Modelle verwendet, um die wichtigsten Punkte des menschlichen Körpers in Echtzeit abzuschätzen. Es verfolgt und erkennt Gelenke und Teile des menschlichen Körpers und ermöglicht so eine 2D- oder 3D-Positionsschätzung17,18,19. Derzeit wird aktiv geforscht, um seine Genauigkeit und Nützlichkeit mit dem VICON-Bewegungssystem (Vicon Nexus; Vicon Motion Systems Ltd., Oxford, England) zu vergleichen, das mehrere Kameras verwendet, um eine hochpräzise 3D-Bewegungserfassung durchzuführen12,20. Durch diese vergleichenden Studien wird die Genauigkeit und Nützlichkeit der Posenschätzungsmethode überprüft12,20,21. Darüber hinaus werden derzeit verschiedene tragbare Geräte wie Smartwatches und smarte Einlagen eingesetzt, um die körperliche Leistungsfähigkeit von Patienten zu messen. Insbesondere auf dem Gebiet der Muskeldystrophie werden aktiv Forschungsarbeiten mit Inertial Measurement Unit (IMU)-Sensoren wie der Smart Insole durchgeführt und wichtige räumliche und zeitliche Parameter identifiziert. Beispielsweise gibt es Studien, die den Gang von Osteoporose und Muskeldystrophie mithilfe von KI und tragbaren Sensoren analysieren. Es gab auch Studien, in denen Patienten mit Muskeldystrophie mithilfe von IMU-Sensoren identifiziert wurden22,23.

In der aktuellen Forschung an verschiedenen muskuloskelettalen Patienten, einschließlich Sarkopenie, wird häufig ein einziges Messinstrument zur Analyse verwendet. Dieser Ansatz erfasst jedoch möglicherweise nicht vollständig die Vielfalt der Variablen, die jedes Tool messen kann, und spiegelt möglicherweise nicht genau die relative Bedeutung der Variablen beim Vergleich verschiedener Tools wider. Um Vorhersage- und Klassifizierungsmodelle für Sarkopenie zu entwickeln und digitale Biomarker zu entdecken, ist es daher entscheidend, die Bedeutung der Variablen über mehrere Messinstrumente hinweg zu vergleichen und ein einfaches, genaues Bewertungsinstrument zu finden. Der Zweck dieser Studie besteht darin, intelligente Einlegesohlen und eine KI-Ganganalyse zusammen zu nutzen, um Variablen zu erstellen, die die körperlichen Fähigkeiten von Sarkopeniepatienten bewerten können, bevor sie auf Vorhersage- und Klassifizierungsmodelle ausgeweitet werden, und um Sarkopeniepatienten mit gesunden Personen zu vergleichen und zu analysieren.

Um Einlagen- und Posenschätzungsdaten für Sarkopenie zu sammeln, führte das GNUH (Gyeongsang National University Hospital, Jinju, Südkorea) im Jahr 2022 eine Studie an 83 Patienten mit Muskel-Skelett-Erkrankungen durch. Von den 83 Patienten mit Muskel-Skelett-Erkrankungen wurden 23 vorab beurteilt Sarkopenie haben. Unter den 23 Sarkopeniepatienten befanden sich 15 Frauen und 8 Männer, während die Kontrollgruppe aus 23 bzw. 31 Personen bestand (siehe Ergänzungstabelle S1). Die Studie entsprach den Grundsätzen der Deklaration von Helsinki und wurde vom IRB des Gyeongsang National University Hospital genehmigt. Alle Forschungsverfahren wurden unter strikter Einhaltung ethischer Standards durchgeführt, einschließlich des Schutzes der Privatsphäre, Vertraulichkeit und Rechte der Teilnehmer.

Um Daten von den Einlagen von 83 Patienten zu sammeln, verwendeten wir das Smart Insole-Gerät von SALTED (Seoul, Südkorea), das mit vier Drucksensoren und dreiachsigen IMU-Sensoren für jede Einlage ausgestattet ist, wie in Abb. 124 dargestellt Einlegesohlen übermittelten drahtlos Vierkanal-Fußdruck- und Dreikanal-Beschleunigungsdaten mit einer Abtastrate von 30 Hz. Um Daten zum Plantardruck zu sammeln, trug jeder Patient die Einlagen und ging eine Minute lang16. Mit einem Smartphone (Galaxy A20, Samsung Electronics) wurden Videodaten gesammelt, die zur Posenschätzung verwendet wurden. Die Messung wurde mit der Rückkamera eines Smartphones durchgeführt und das aufgezeichnete Video hatte eine Auflösung von 1080p und eine Bildrate von 30 fps. Was das Videoaufzeichnungsprotokoll betrifft, wie in Abb. 2 dargestellt, wurde einmal ein seitliches Gehvideo für eine Gehstrecke von 5 m aufgezeichnet. Darüber hinaus basierte der Abstand zwischen Patient und Kamera auf einem vertikalen Abstand von 2 m und einer Höhe von 1,3 m über dem Boden. Es gibt keine genormten Messabstände und -höhen. Für diese Studie wurde ein Messabstand von 5 m verwendet und der Mindestabstand von 2 m so eingestellt, dass er über den gesamten Bildschirm passt. Für die Höhe vom Boden haben wir zur Winkel- und Horizontalkorrektur etwa 1,3, die Schulterhöhe einer Person, verwendet.

Smart Insole zur Ganganalyse.

Videoaufzeichnungsprotokoll.

Wir haben die SALTED Smart Insole-Ausrüstung (Seoul, Südkorea) verwendet, um Plantardruckdaten von 83 Patienten zu sammeln. Die Einlegesohlen, wie in Abb. 1 dargestellt, wurden zu Kalibrierungszwecken mit vier Drucksensoren und einem dreiachsigen IMU-Sensor ausgestattet. Jeder Patient trug die Einlagen eine Minute lang beim Gehen und die Druckdaten wurden mithilfe der vier Drucksensoren erfasst. Anschließend wurde das interne Programm SALTED verwendet, um relevante Variablen zu berechnen, wie in Abb. 3 dargestellt.

Gangzyklus wird von Smart Inasole erfasst.

Um die Körperhaltung des Patienten abzuschätzen und zu analysieren, verwendeten wir eine Videoanalyse zur Posenschätzung unter Verwendung der Dr.log-Anwendung und des DMS-Systems (Deevo, Jinju, Korea)25,26. Die Dr.log-Anwendung sammelte Gangvideos der Patienten in Echtzeit und speicherte sie in einer Datenbank. Das DMS-System führte eine Posenschätzung in Echtzeit anhand der gesammelten Datenbank durch. Für den Posenschätzungsprozess haben wir Mediapipe verwendet, eine von Google entwickelte Open-Source-Software, die ein Convolutional Neural Network (CNN)-Modell verwendet, das auf neuronalen Netzwerk-basierten Deep-Learning-Algorithmen basiert. Das CNN-Modell umfasst eine Faltungsschicht und eine Pooling-Schicht zum Extrahieren von Merkmalen aus dem Eingabebild, gefolgt von vollständig verbundenen und Softmax-Schichten. Mithilfe der Posenschätzungsfunktion von Mediapipe haben wir insgesamt 33 Schlüsselpunkte geschätzt, wobei 25 den Oberkörper und 8 den Unterkörper darstellen. Dabei haben wir das Blaze-Pose-Modell verwendet, wie in Abb. 427 dargestellt.

Visualisierung der 33 Schlüsselpunkte von Blaze Pose bei der Einschätzung der menschlichen Pose.

Wir nutzten R Studio, ein statistisches Analyseprogramm, um die Zentralität und Variabilität aller gesammelten Patientendaten zu analysieren. Darüber hinaus führten wir aufgrund der geringen Stichprobengröße Shapiro-Normalitätstests durch und verwendeten Mann-Whitney-U-Tests, wenn die Normalitätsannahmen nicht erfüllt waren. Wir haben die Sarkopenie-Gruppe und die Kontrollgruppe mit R Studio verglichen und Bildvisualisierungen für die Ergebnisse jeder Gruppe erstellt. Das Signifikanzniveau wurde auf *p < 0,1, **p < 0,01 und ***p < 0,001 festgelegt.

Die Studie entsprach den Grundsätzen der Deklaration von Helsinki und wurde vom IRB des Gyeongsang National University Hospital genehmigt. (IRB-Nr. GNUH 2022-01-032-008) Alle Forschungsverfahren wurden unter strikter Einhaltung ethischer Standards durchgeführt, einschließlich des Schutzes der Privatsphäre, Vertraulichkeit und Rechte der Teilnehmer.

Wir führten einen Normalitätstest für jede Variable sowohl in der Sarkopeniegruppe (n = 23) als auch in der Kontrollgruppe (n = 60) durch. Der Test ergab, dass die Mehrheit der Variablen in der Sarkopeniegruppe nicht der Normalitätsannahme entsprach (siehe Ergänzungstabelle S2). Daher verglichen wir die Variablen zwischen den beiden Gruppen mithilfe des Mann-Whitney-U-Tests. Die Messwerte werden in den Tabellen 1 und 2 dargestellt und die p-Werte für jede Variable werden am Ende jeder Tabelle angezeigt. Tabelle 1 zeigt die Merkmale der beiden Gruppen, die eine intelligente Einlegesohle verwenden, während Tabelle 2 die Merkmale der Methode zur Posenschätzung darstellt (siehe ergänzende Abbildungen S1 und S2). Die intelligente Einlegesohle stellt insgesamt 6 Variablen bereit (Gesamtzahl der Schritte, Trittfrequenz, R-Doppelunterstützung, R-Einzelunterstützung, L-Doppelunterstützung, L-Einzelunterstützung) und in ähnlicher Weise liefert die Posenschätzung Ergebnisse für 23 Variablen, die jeden Gelenkpunkt repräsentieren. Die p-Werte werden im Fall der intelligenten Einlegesohle für alle 6 Variablen bereitgestellt und im Fall der Posenschätzung nur für 15 Variablen mit Ausnahme der Maximal- und Minimalwerte. Die Beschreibung der 23 Variablen, die durch die Posenschätzung bereitgestellt werden, ist in der Ergänzungstabelle S3 dargestellt. Um die Erkennungsgenauigkeit der Posenschätzung mit Mediapipe zu beurteilen, wurden Schlüsselpunkte, die Kopf, Schultern, Ellbogen, Handgelenke, Hüften, Knie und Knöchel darstellen, als Referenzpunkte verwendet. Das Erkennungskriterium basierte auf Fällen, in denen die Markerpositionen vertauscht waren oder keine Schätzung durchgeführt wurde. Hierzu wurden insgesamt 100 Bilder ausgewertet. Die Genauigkeit wurde ermittelt, indem berücksichtigt wurde, ob die Schätzung für jeden der 15 Schlüsselpunkte erfolgreich war. Die resultierende Erkennungsgenauigkeit für die 15 Schlüsselpunkte wurde mit 89,23 % gemessen.

Die Merkmale der Sarkopenie- und Kontrollgruppen wurden mithilfe der Smart-Insole-Technologie untersucht und die Ergebnisse sind in Tabelle 1 zusammengefasst. Die Sarkopenie-Gruppe hatte eine durchschnittliche Gesamtschrittzahl von 84,32 Schritten und eine Trittfrequenz von 87,42 Schritten/Minute. Für die Mittelwerte R-Doppelunterstützung, R-Einzelunterstützung, L-Doppelunterstützung und L-Einzelunterstützung betrugen die Werte 17,44 %, 36,30 %, 17,00 % bzw. 36,97 %. Im Vergleich dazu hatte die Kontrollgruppe eine durchschnittliche Gesamtschrittzahl von 88,32 Schritten und eine Trittfrequenz von 88,04 Schritten/Minute. Die Mittelwerte für R-Doppelunterstützung, R-Einzelunterstützung, L-Doppelunterstützung und L-Einzelunterstützung betrugen jeweils 17,08 %, 36,74 %, 17,22 % und 37,22 %. Der Mann-Whitney-U-Test ergab für keine der Variablen signifikante Unterschiede zwischen den beiden Gruppen. Bei der Interpretation der Ergebnisse ist jedoch Vorsicht geboten, da die hohen p-Werte für die Gesamtzahl der Schritte, die Trittfrequenz, die R-Doppelunterstützung, die R-Einzelunterstützung, die L-Doppelunterstützung und die L-Einzelunterstützung darauf hindeuten, dass möglicherweise kleine Stichprobengrößen Einfluss hatten die Ergebnisse.

Die Dr.log-Site wurde verwendet, um Gelenkpunktdaten aus dem Bild durch Posenschätzung zu extrahieren, und Dr.log DMS wurde dann verwendet, um Zeitreihenmuster und charakteristische Werte für Koordinateninformationen zu identifizieren. Die Ergebnisse des Mann-Whitney-U-Tests klassifizierten die 15 untersuchten Variablen anhand ihrer p-Werte in drei Gruppen. Die erste Gruppe, einschließlich Kniemittelwert (p = 0,433), Knöchelbereich (p = 0,252) und Hüftbereich (p = 0,294), hatte p-Werte größer als 0,1, was darauf hinweist, dass diese Variablen keinen signifikanten Unterschied zwischen den Variablen aufwiesen zwei Gruppen. Die zweite Gruppe, bestehend aus Hüftmittelwert, Schulterwinkelbereich, Knöchelmittelwert, All-Max-Dif, Hüftknöchel-Dif, Knie-Knöchel-Dif, Knie-Dif, Knöchel-Dif und Hüft-Dif, hatte p-Werte von weniger als 0,001, was einen signifikanten Unterschied zwischen ihnen zeigt zwei Gruppen. Die dritte Gruppe, bestehend aus Hüft-Knie-Diff und Schulterwinkel-Mittelwert, wies p-Werte von 0,003 bzw. 0,002 auf, was darauf hinweist, dass sie ebenfalls einen signifikanten Unterschied zwischen den beiden Gruppen aufwiesen, wenn auch in geringerem Ausmaß als die zweite Gruppe. Zusammenfassend deuten die Ergebnisse darauf hin, dass die Verwendung der Posenschätzung einen signifikanten Unterschied in den Gelenkwinkelmessungen zwischen den beiden Gruppen aufdeckt, was hilfreich sein könnte, um die grundlegende Ursache für die Unterschiede in den Bewegungsmustern zwischen ihnen zu verstehen.

Es gibt verschiedene Ansätze zur Messung des Gangs, wobei intelligente Einlagen und Posenschätzung zwei häufig verwendete Methoden sind. Smart Insole ist ein Gerät, das in einen Schuh eingesetzt werden kann, um verschiedene Parameter des Fußes während des Gehens zu messen, wie z. B. Druckverteilung, Kraft und Beschleunigung28,29. Das Gerät enthält Sensoren, die Daten sammeln, die dann zur Analyse an einen Computer gesendet werden. Zu den Vorteilen der Verwendung intelligenter Einlagen gehören detaillierte Informationen über die Biomechanik des Fußes, Benutzerfreundlichkeit, Nicht-Invasivität und keine Notwendigkeit einer speziellen Einrichtung29,30. Im Gegensatz dazu handelt es sich bei der Posenschätzung um eine Computer-Vision-Technik, bei der mithilfe einer Kamera Gelenkbewegungen im Körper verfolgt werden15,31. Durch die Aufzeichnung der Bewegungen einer Person beim Gehen oder Laufen kann die Software die Position von Gelenken im Körper abschätzen. Der Vorteil der Posenschätzung besteht darin, dass sie einen umfassenden Überblick über den gesamten Körper, einschließlich der Gliedmaßen, der Wirbelsäule und des Beckens, bietet und so die Untersuchung externer Variablen wie Gangasymmetrie erleichtert32. Die Einrichtung kann jedoch schwieriger sein und erfordert mehr technisches Fachwissen.

In dieser Studie gab es signifikante Unterschiede zwischen den beiden Methoden. Die intelligente Einlegesohle konzentriert sich in erster Linie auf den Fuß und liefert detaillierte Informationen zur Fußbiomechanik33. Insbesondere gibt es Bereiche, die die Posenschätzung nicht erkennen kann, wie z. B. Bodenreaktionskräfte an beiden Füßen, und sie bietet Vorteile bei der Berechnung von Variablen wie Einzelunterstützung und Doppelunterstützung. Der Einsatz im klinischen Umfeld ist praktischer, da hier keine Platzbeschränkungen bestehen. Allerdings liefert eine intelligente Einlegesohle möglicherweise kein vollständiges Bild der Körperbewegung beim Gehen, was zu großen Abweichungen bei den gemessenen Variablen führt. Darüber hinaus ist es bei Patienten mit Bewegungsapparat von entscheidender Bedeutung zu überprüfen, ob konsistente Zeitreihenmuster vorhanden sind, auch wenn kein ausreichender Fußdruck ausgeübt wird. Die Posenschätzung bietet eine umfassendere Sicht auf den gesamten Körper und erkennt Asymmetrien und Kompensationen im Gang18,31,32. Die Studie zeigte signifikante Unterschiede bei den meisten Variablen mithilfe der Posenschätzung, insbesondere beim Winkel der maximalen Öffnung in Schulter, Knöchel und stationärer Haltung. Allerdings bestand auch die Einschränkung, dass für die Messung mit Posenschätzung ausreichend Platz und ein geeigneter Drehort erforderlich waren.

Patienten mit Sarkopenie zeigen Gangveränderungen aufgrund des fortschreitenden Rückgangs der Skelettmuskelmasse, -kraft und -funktion. Diese Veränderungen sind durch eine verkürzte Einzelstützzeit und eine längere Doppelstützzeit gekennzeichnet, die hauptsächlich auf eine verminderte Muskelkraft und ein gestörtes Gleichgewicht zurückzuführen sind34,35. In unserer Studie war die intelligente Einlegesohle jedoch nicht in der Lage, diese besonderen Gangmerkmale vollständig zu erfassen. Im Gegensatz dazu stellte die Posenschätzung die Merkmale des Gangzyklus genau dar, wie in den Tabellen 1 und 2 gezeigt. Insbesondere zeigte die intelligente Einlegesohle Schwierigkeiten, signifikante Unterschiede zwischen der älteren Patientengruppe und der Kontrollgruppe relativ junger und gesunder Personen zu identifizieren. Andererseits bot die Posenschätzung den Vorteil, dass Marker geschätzt werden konnten, die ein breiteres Spektrum funktionaler Variablen erfassen konnten. Im Vergleich zur intelligenten Einlegesohle ermöglichte die Posenschätzung die Berücksichtigung einer größeren Anzahl von Biomarkern im Zusammenhang mit verschiedenen Körperfunktionen. Daher bot die Verwendung der Posenschätzung zum Vergleich der Sarkopenie-Gruppe mit der Nicht-Sarkopenie-Gruppe eine breitere Perspektive bei der Beurteilung der Gangmerkmale.

Die Sarkopenieforschung ist ein sich schnell entwickelndes Feld, in dem fortlaufend versucht wird, mithilfe verschiedener Ansätze digitale Biomarker zu identifizieren. Während sich frühere Studien auf die Verwendung eines einzigen Messgeräts zur Identifizierung von Biomarkern konzentrierten, wird immer deutlicher, dass ein umfassenderer Ansatz erforderlich ist. Dies erfordert die Integration mehrerer Geräte und Variablen, um der komplexen Natur der Krankheit Rechnung zu tragen. Daher ist weitere Forschung erforderlich, um die Variablen bestehender Smart-Insole- und Posenschätzungsstudien zu kombinieren, um ein Vorhersagemodell zu entwickeln und neuartige digitale Biomarker zu identifizieren.

Bei der Durchführung der Posenschätzung zur Beurteilung der Muskelfunktion bei Sarkopenie bestehen die folgenden Einschränkungen: (1) Genauigkeit der Posenerkennung: Beleuchtung, Kamerawinkel und Kleidung können die Genauigkeit der Posenschätzung zur Sarkopeniediagnose einschränken; (2) Umwelteinschränkungen: Umweltfaktoren wie Hintergrundstörungen und Bewegung können die Fähigkeit der Posenschätzung zur Beurteilung der Muskelfunktion beeinträchtigen. Ebenso bestehen bei intelligenten Einlegesohlen die folgenden Einschränkungen: (1) Ungenauigkeit der Sensoren: Die Genauigkeit der IMU-Sensoren intelligenter Einlegesohlen kann aufgrund der Einschränkung, nur einen IMU-Sensor für Kalibrierungszwecke zu haben, beeinträchtigt werden. Eine Sensordrift, die sich auf die allmähliche Abweichung der Sensormesswerte im Laufe der Zeit bezieht, kann auftreten und zu Ungenauigkeiten in den gesammelten Daten führen, was sich auf die Genauigkeit der Ergebnisse der Plantardruckdaten auswirken kann.; (2) Umwelteinschränkungen: Umweltbedingungen wie unebene oder rutschige Oberflächen können die Fähigkeit intelligenter Einlagen zur Beurteilung der Muskelfunktion beeinträchtigen.

Darüber hinaus weisen beide Methoden die folgenden gemeinsamen Einschränkungen auf: (1) Benutzerabhängigkeit: Die Ergebnisse der Muskelfunktionsbewertung mithilfe intelligenter Einlagen und der Haltungsschätzung können durch Faktoren wie das korrekte Tragen der Einlagen und die körperlichen Eigenschaften des Patienten beeinflusst werden; (2) Einschränkungen bei der Erfassung physikalischer Parameter: Die Verwendung intelligenter Einlagen und Posenschätzungen zur Beurteilung der Muskelfunktion kann zu Ungenauigkeiten führen, wenn nicht alle wichtigen physikalischen Parameter wie Muskelspannung und -einstellung berücksichtigt werden; (3) Fehlen eines standardisierten Protokolls: Bedenken hinsichtlich der Zuverlässigkeit der Ergebnisse können aufgrund des Fehlens eines standardisierten Protokolls für die Verwendung intelligenter Einlagen bei der Muskelfunktionsbewertung und des Fehlens standardisierter Kameraausrüstung und Aufnahmemethodenprotokolle im Fall von Posen entstehen Einschätzung.

Schließlich wurde in dieser Studie ein Vergleich zwischen 23 Sarkopenie-Patienten und 60 Personen ohne Sarkopenie durchgeführt. Beim Vergleich der Gruppen wurden Merkmale wie Geschlecht und Alter aufgrund der Beschränkung einer kleinen Stichprobengröße nicht abgeglichen. Um dies zu beheben, werden die Analyseergebnisse der Gruppen mit übereinstimmenden Merkmalen in der Ergänzungstabelle S4 bereitgestellt. In diesem Fall wurden beim Vergleich der Ergebnisse mit der ursprünglichen Analyse in den Tabellen 1 und 2 keine signifikanten Unterschiede in den Variablen beobachtet.

In dieser Studie wurde eine Kontrollgruppe von 60 Personen mit Muskel-Skelett-Erkrankungen mit einer Gruppe von 23 Personen mit Sarkopenie verglichen, wobei sowohl intelligente Einlagen als auch Posenschätzung zum Einsatz kamen. Die Ergebnisse zeigten, dass die intelligente Einlegesohle keine signifikanten Unterschiede zwischen den beiden Gruppen aufwies, wohingegen die Posenschätzungsvariablen signifikante Unterschiede bei 12 von 15 Variablen aufwiesen. Diese Ergebnisse unterstreichen die Bedeutung der Verwendung mehrerer Messmethoden zur Entwicklung genauer Modelle zur Vorhersage und Klassifizierung von Sarkopenie. Mit den jüngsten Fortschritten in der Messtechnik hat sich die Genauigkeit der Sarkopenie-Diagnose verbessert, und es wird erwartet, dass mehr digitale Biomarker entdeckt und in zukünftigen Behandlungen eingesetzt werden. Dies unterstreicht das Potenzial des Einsatzes digitaler Technologie zur Verbesserung der Diagnose und Behandlung von Muskel-Skelett-Erkrankungen und Sarkopenie.

Die in dieser Studie verwendeten Daten wurden am Gyeongsang National University Hospital gesammelt und Anfragen zu den Daten sollten an den Autor JIY gerichtet werden

Santilli, V., Bernetti, A., Mangone, M. & Paoloni, M. Klinische Definition von Sarkopenie. Klin. Fälle Bergmann. Knochenmetab. 11, 177–180 (2014).

PubMed PubMed Central Google Scholar

Meng, S.-J. & Yu, L.-J. Oxidativer Stress, molekulare Entzündung und Sarkopenie. Int. J. Mol. Wissenschaft. 11, 1509–1526 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Rom, O., Kaisari, S., Aizenbud, D. & Reznick, AZ Lebensstil und Sarkopenie – Ätiologie, Prävention und Behandlung. Rambam Maimonides Med. J. 3, e0024 (2012).

Artikel PubMed PubMed Central Google Scholar

Cruz-Jentoft, AJ et al. Sarkopenie: Überarbeiteter europäischer Konsens zu Definition und Diagnose. Alter 48, 16–31 (2019).

Artikel PubMed Google Scholar

Lim, WS et al. Leitlinien für die klinische Praxis in Singapur bei Sarkopenie: Screening, Diagnose, Management und Prävention. J. Frailty Aging 11, 348–369 (2022).

CAS PubMed Google Scholar

Chen, L.-K. et al. Konsensaktualisierung 2019 zur Diagnose und Behandlung von Sarkopenie. Marmelade. Med. Dir. Assoc. 21, 300-307.e2 (2020).

Artikel PubMed Google Scholar

Saeki, C. et al. Vergleichende Bewertung der Sarkopenie anhand der JSH-, AWGS- und EWGSOP2-Kriterien und der Beziehung zwischen Sarkopenie, Osteoporose und Osteosarkopenie bei Patienten mit Leberzirrhose. BMC Muskel-Skelett. Unordnung. 20, 615 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Stuck, AK et al. Prädiktive Gültigkeit aktueller Sarkopeniedefinitionen (EWGSOP2, SDOC und AWGS2) für klinische Ergebnisse: Eine Scoping-Überprüfung. J. Cachexia Sarcopenia Muscle https://doi.org/10.1002/jcsm.13161 (2022).

Artikel PubMed PubMed Central Google Scholar

Yee, XS et al. Leistung bei Sitz-Steh-Tests in Bezug auf Messungen der funktionellen Fitness und der Sarkopeniediagnose bei älteren Erwachsenen, die in Wohngemeinschaften leben. EUR. Rev. Aging Phys. Akt. 18, 1 (2021).

Artikel PubMed PubMed Central Google Scholar

Coelho-Junior, HJ et al. Die körperlichen Fähigkeiten, die dem zeitgesteuerten „Up and Go“-Test zugrunde liegen, sind bei älteren Frauen, die in Wohngemeinschaften leben, zeitabhängig. Exp. Gerontol. 104, 138–146 (2018).

Artikel PubMed Google Scholar

Gu, S. et al. Erkennung von Sarkopenie mithilfe eines Deep-Learning-basierten Body-Part-Measure-Systems mit künstlicher Intelligenz (AIBMS). Vorderseite. Physiol. 14, 1092352 (2023).

Artikel PubMed PubMed Central Google Scholar

Ota, M. et al. Überprüfung der Zuverlässigkeit und Gültigkeit von Bewegungsanalysesystemen während bilateraler Kniebeugen mithilfe eines Algorithmus zur Verfolgung der menschlichen Pose. Ganghaltung 80, 62–67 (2020).

Artikel PubMed Google Scholar

Nakano, N. et al. Bewertung der Genauigkeit der markierungslosen 3D-Bewegungserfassung mithilfe von Openpose mit mehreren Videokameras. Vorderseite. Sportgesetz. Lebendig https://doi.org/10.3389/fspor.2020.00050 (2020).

Artikel PubMed PubMed Central Google Scholar

Johnson, KB et al. Präzisionsmedizin, KI und die Zukunft der personalisierten Gesundheitsversorgung. Klin. Übers. Wissenschaft. 14, 86–93 (2021).

Artikel PubMed Google Scholar

Stenum, J. et al. Anwendungen der Posenschätzung für die menschliche Gesundheit und Leistungsfähigkeit über die gesamte Lebensspanne. Sensoren 21, 7315 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Kim, J., Kang, S. & Kim, S.-J. Ein intelligentes Einlegesohlensystem, das die richtige Fersenhebehaltung für die Rehabilitation chronischer Knöchelinstabilität erkennen kann. Wissenschaft. Rep. 12, 10796 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Güler, RA, Neverova, N. & Kokkinos, I. DensePose: Dichteschätzung menschlicher Posen in freier Wildbahn. Vorabdruck unter https://doi.org/10.48550/arXiv.1802.00434 (2018).

Cao, Z., Hidalgo, G., Simon, T., Wei, S.-E. & Sheikh, Y. OpenPose: Echtzeit-2D-Posenschätzung für mehrere Personen unter Verwendung von Teilaffinitätsfeldern. IEEE Trans. Muster Anal. Mach. Intel. 43, 172–186 (2021).

Artikel PubMed Google Scholar

Fang, H.-S., Xie, S., Tai, Y.-W. & Lu, C. RMPE: Regionale Posenschätzung für mehrere Personen. Vorabdruck unter https://doi.org/10.48550/arXiv.1612.00137 (2018).

Feng, B., Powell, DW & Doblas, A. Markerloses Bewegungserfassungssystem mit OpenPose. in Pattern Recognition and Tracking XXXIII vol. 12101 84–93 (SPIE, 2022).

VanKeersbilck, L., Hedengren, I., Clark, M. & Hunter, I. Gelenkwinkelberechnungen mithilfe von Bewegungserfassung und Deep-Learning-Posenschätzung beim Laufen. Int. J. Übung. Wissenschaft: Conf. Proz. 14, 179 (2022).

Google Scholar

Kim, J.-K., Bae, M.-N., Lee, K., Kim, J.-C. & Hong, SG Erklärbare künstliche Intelligenz und tragbare sensorbasierte Ganganalyse zur Identifizierung von Patienten mit Osteopenie und Sarkopenie im täglichen Leben. Biosensoren 12, 167 (2022).

Artikel PubMed PubMed Central Google Scholar

Kim, J.-K., Bae, M.-N., Lee, KB & Hong, SG Identifizierung von Patienten mit Sarkopenie mithilfe von Gangparametern basierend auf Trägheitssensoren. Sensoren 21, 1786 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

SMARTE EINLEGESOHLE | PRODUKT | GESALZEN. https://sports.salted.ltd/en/product/smart-insole.

Dr. Logs – Google Play Store. Online verfügbar: https://play.google.com/store/apps/details?id=kr.co.deevo.android.deevo&hl=ko. (2023).

DEEVO: Datenmanagementsystem (DMS). Online verfügbar: https://ai.deevo.co.kr/traces. https://ai.deevo.co.kr/traces (2023).

Google: MediaPipe GitHub Repository. Online verfügbar: https://github.com/google/mediapipe. (2023).

Nagano, H. & Begg, RK Schuheinlagentechnologie zur Verletzungsprävention beim Gehen. Sensoren 18, 1468 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Subramaniam, S., Majumder, S., Faisal, AI & Deen, MJ Einlagenbasierte Systeme zur Gesundheitsüberwachung: Aktuelle Lösungen und Forschungsherausforderungen. Sensoren 22, 438 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Almuteb, I., Hua, R. & Wang, Y. Smart Insoles Review (2008–2021): Anwendungen, Potenziale und Zukunft. Smart Health 25, 100301. https://doi.org/10.1016/j.smhl.2022.100301 (2022).

Artikel Google Scholar

Badiola-Bengoa, A. & Mendez-Zorrilla, A. Eine systematische Überprüfung der Anwendung der kamerabasierten menschlichen Posenschätzung im Bereich Sport und körperliche Betätigung. Sensoren 21, 5996 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Topham, LK, Khan, W., Al-Jumeily, D. & Hussain, A. Schätzung der menschlichen Körperhaltung zur Gangerkennung: Eine umfassende Übersicht über Datensätze und Modelle. ACM-Computing. Überleben. 55, 1–42 (2022).

Artikel Google Scholar

Khandakar, A. et al. Entwurf und Implementierung eines intelligenten Einlagensystems zur Messung von Plantardruck und -temperatur. Sensoren 22, 7599 (2022).

Artikel ADS PubMed PubMed Central Google Scholar

Mori, K. et al. Gangmerkmale von Dynapenie, Sarkopenie und Präsarkopenie bei in Wohngemeinschaften lebenden japanischen älteren Frauen: Eine Querschnittsstudie. Gesundheitswesen 10, 1905 (2022).

Artikel PubMed PubMed Central Google Scholar

Fan, Y. et al. Sarkopenie: Körperzusammensetzung und Ganganalyse. Vorderseite. Alternde Neurowissenschaften. 14, 909551 (2022).

Artikel MathSciNet PubMed PubMed Central Google Scholar

Referenzen herunterladen

Diese Arbeit wurde durch den von der koreanischen Regierung (MSIT) finanzierten Zuschuss der National Research Foundation of Korea (NRF) (Nr. 2022R1C1C1004134) unterstützt.

Abteilung für biomedizinisches Forschungsinstitut, Inha University Hospital, Incheon, Republik Korea

Shinjune Kim & Hyeon Su Kim

Abteilung für biomedizinisches Forschungsinstitut, Gyeongsang National University Hospital, Jinju, Republik Korea

Seongjin Park, Sangyeob Lee und Sung Hyo Seo

Abteilung für orthopädische Chirurgie, Daejeon Eulji Medical Center, Daejeon, Republik Korea

Yonghan Cha

Abteilung für orthopädische Chirurgie, Medizinische Fakultät der Ajou-Universität, Suwon, Republik Korea

Jung-Taek Kim

Abteilung für orthopädische Chirurgie, Nowon Eulji Medical Center, Seoul, Republik Korea

Jin-Woo Kim

Abteilung für orthopädische Chirurgie, Bumin Medical Center, Seoul, Republik Korea

Yong-Chan Ha

Abteilung für orthopädische Chirurgie, Inha University Hospital, 27, Inhang-ro, Jung-gu, Incheon, Republik Korea

Jun Il Yoo

Sie können diesen Autor auch in PubMed Google Scholar suchen

SJK, SJP und JIY konzipierten die Studie und gestalteten die Experimente. SJP, SYL, SHS, HSK, YHC, JTK, JWK und YCH sammelten und analysierten die Daten. SJK und JIY haben das Manuskript mit Kommentaren aller Autoren verfasst. Alle Autoren haben die endgültige Fassung des Manuskripts gelesen und genehmigt. Alle in diese Studie einbezogenen Personen haben ihre informierte Einwilligung zur Veröffentlichung der Ergebnisse gegeben.

Korrespondenz mit Jun-Il Yoo.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kim, S., Park, S., Lee, S. et al. Beurteilung der körperlichen Fähigkeiten von Sarkopenie-Patienten mittels Ganganalyse und intelligenter Einlegesohle zur Entwicklung eines digitalen Biomarkers. Sci Rep 13, 10602 (2023). https://doi.org/10.1038/s41598-023-37794-7

Zitat herunterladen

Eingegangen: 4. April 2023

Angenommen: 28. Juni 2023

Veröffentlicht: 30. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-37794-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Blog

Beurteilung der körperlichen Fähigkeiten von Sarkopenie-Patienten mittels Ganganalyse und intelligenter Einlegesohle zur Entwicklung eines digitalen Biomarkers