Dans le cadre d’une étude internationale multidisciplinaire, l’étudiant de maitrise Assaf Zadka du Département d’ingénierie biomédicale de l’Université de Tel-Aviv et le Prof. Jeffrey Hausdorff du Département de physiothérapie, de l’École des neurosciences et du Centre médical Sourasky (TASMC), ont développé un modèle innovant basé sur l’apprentissage automatique pour estimer avec précision la longueur des pas. L’algorithme, intégré dans un appareil portable positionné dans le bas du dos permet une surveillance quotidienne des pas des patients pour évaluer l’évolution des maladies neurologiques comme le Parkinson, ou du vieillissement.
L’étude, à laquelle ont également participé le Prof. Neta Rabin du Département d’ingénierie industrielle de l’Université de Tel-Aviv, Eran Gazit du TASMC, le Prof. Anat Mirelman de la Faculté des sciences médicales et de l’École des neurosciences de l’Université de Tel-Aviv et de TASMC, ainsi que des chercheurs de Belgique, d’Angleterre, d’Italie, de Hollande et des États-Unis, a été publiée dans la revue Digital Medicine. Elle a été financée par le Centre pour l’IA et la science des données de l’Université de Tel-Aviv.
Le Prof. Hausdorff, spécialiste dans les domaines de la marche, du vieillissement et de la neurologie, explique : « La longueur des pas est une mesure très sensible et non invasive pour évaluer une grande variété d’états et de maladies, notamment le vieillissement, la dégénérescence due à des troubles neurologiques ou à des maladies neurodégénératives, le déclin cognitif, la maladie d’Alzheimer, la maladie de Parkinson, la sclérose en plaques, etc. Aujourd’hui, il est courant de mesurer la longueur des pas dans des laboratoires et des cliniques spécialisés, à l’aide des dispositifs basés sur des caméras et des instruments de mesure, comme les tapis de marche. Bien que ces tests soient précis, ils ne fournissent qu’une vue instantanée de la marche d’une personne et ne reflète pas pleinement son véritable fonctionnement dans le monde réel. Or la marche quotidienne peut être influencée par un grand nombre de facteurs comme le niveau de fatigue, l’humeur et les médicaments du patient. Seule une surveillance 24 heures sur 24, 7 jours sur 7 comme celle rendue possible par ce nouveau modèle de mesure de la longueur de pas est capable de refléter le comportement de marche réel ».
Des capteurs intellients pour mesurer les pas
« Pour pouvoir réaliser une telle surveillance, nous avons cherché à exploiter les systèmes IMU (unité de mesure inertielle), composants électroniques inclus dans les capteurs qui mesurent entre autres l’accélération. Ces capteurs légers et relativement bon marché sont installés aujourd’hui sur tous les téléphones et les montres intelligentes, pour mesurer les paramètres associés à la marche », ajoute le Prof. Rabin, spécialiste de l’apprentissage automatique. « Des études antérieures ont déjà été réalisées pour évaluer la longueur des pas avec des appareils portables munis d’IMU, mais ces expériences n’ont été réalisées que sur des sujets sains et sans difficultés de marche, et étaient basées sur de petits échantillons qui ne permettaient pas de généralisation ; de plus, les appareils utilisés eux-mêmes n’étaient pas pratiques à porter et plusieurs capteurs étaient parfois nécessaires. Nous avons cherché à développer une solution efficace et pratique pouvant convenir aux sujets ayant des problèmes de marche, comme les personnes malades et les personnes âgées, qui permettrait de quantifier et de collecter des données sur la longueur des pas des patients tout au long de la journée, dans un environnement qui leur est familier. L’objectif était de développer un algorithme capable de traduire les données de l’IMU en une évaluation précise de la longueur des pas, qui puisse être intégré dans un appareil portable et pratique ».
Pour développer l’algorithme, les chercheurs ont utilisé des données de marche basées sur des capteurs IMU, en plus des données sur la longueur des pas mesurées de manière conventionnelle dans une étude précédente auprès de 472 sujets atteints de différentes maladies, telles que la maladie de Parkinson, des personnes souffrant de troubles cognitifs légers, des sujets âgés en bonne santé, des adultes jeunes en bonne santé et des personnes atteintes de sclérose en plaques. Une base de données précise et diversifiée composée de 83 569 pas a ainsi été collectée. Les chercheurs ont utilisé ces données combinées à des méthodes d’apprentissage automatique pour entrainer des modèles informatiques qui ont traduit les données des capteurs en une estimation de la longueur des pas. Pour tester la solidité des différents modèles, ils ont ensuite déterminé dans quelle mesure ils étaient capables d’analyser avec précision de nouvelles données, une aptitude appelée généralisation.
« Nous avons constaté que le modèle le plus exact était celui appelé XGBoost, 3,5 fois plus précis que le modèle biomécanique le plus avancé actuellement utilisé pour estimer la longueur des pas », explique Assaf Zadka. « Pour un pas simple, l’erreur moyenne de notre modèle était de 6 cm, contre 21 cm pour le modèle conventionnel. Sur une moyenne de 10 pas, nous sommes arrivés à une erreur de moins de 5 cm, seuil connu dans la littérature professionnelle comme « la différence minimale cliniquement pertinente ». En d’autres termes, notre modèle est robuste et fiable, et peut être utilisé pour analyser les données de capteurs fixé sur des sujets, y compris des sujets ayant des difficultés à marcher ».
« Pour cette étude, nous avons collaboré avec des chercheurs de divers domaines à travers le monde, et l’effort multidisciplinaire a conduit à des résultats prometteurs », conclut le Prof. Hausdorff. « Nous avons développé un modèle d’apprentissage automatique pouvant être intégré à un appareil portable facile à utiliser, qui donne une estimation précise de la longueur des pas du patient dans la vie quotidienne. Les données ainsi collectées permettent une surveillance continue, à distance et à long terme de l’état d’un patient et peuvent également être utilisées dans des essais cliniques pour examiner l’efficacité des médicaments. Sur la base de ces résultats encourageants, nous étudions s’il est possible de développer des modèles similaires en utilisant les données des capteurs des montres intelligentes, ce qui amélioreraient encore le confort du sujet ».
https://www.ami-universite-telaviv.com
Photos:
1. Personne marchant sur un tapis de marche dans un laboratoire d’analyse de la marche de pointe, un capteur portable positionné dans le bas de son dos.
2. Le Prof. Jeff Hausdorff et son équipe de recherche du Centre Médical Sourasky et de l’Université de Tel-Aviv
