Bessere Beurteilung von Halsverletzungen mit Data Science und Machine Learning

Nackenschmerzen betreffen fast zwei Drittel der Bevölkerung mindestens einmal im Leben und sind ein wachsendes Gesundheitsproblem. Häufige Ursachen für diese Erkrankung können ein Schleudertrauma, ein Schlag auf den Kopf oder anstrengende Arbeitsbedingungen sein. Beispielsweise leiden Berufstätige, die viele Stunden gebeugt über ihrem Arbeitsplatz verbringen – etwa Chirurgen und Zahnärzte – häufig unter Nackenschmerzen. Auch Träger schwerer Schutzhelme, darunter Sportler, Jetpiloten und Feuerwehrleute, können gefährdet sein.

Viele der Techniken, die Kliniker derzeit zur Beurteilung von Nackenverletzungen verwenden, weisen erhebliche Nachteile auf, da sie auf subjektiven Beobachtungen des Bewegungsausmaßes beruhen, die es schwierig machen, das Ausmaß einer Verletzung einzuschätzen oder den Fortschritt während der Therapie zu verfolgen. Einige erfordern außerdem arbeitsintensive manuelle Verfahren mit einem am Kopf des Patienten befestigten Laserpointer, was zu subjektiven Ergebnissen führt.

Unser Team hat Hardware und Software entwickelt, die die klinische Beurteilung von Nackenverletzungen mit objektiven Messwerten vereinfachen und automatisieren. Die Technologie, die ursprünglich an der Universität Reykjavík erforscht wurde, wurde vom Startup-Unternehmen NeckCare kommerzialisiert. Die Technologie basiert auf einer Kopfhaube mit eingebettetem Inertialmessgerät (IMU) sowie in MATLAB entwickelten Algorithmen zur Datenanalyse und zum Machine Learning^®. Die Algorithmen verarbeiten Signale vom IMU (Abbildung 1) und erzeugen objektive, quantifizierbare 3D-Messwerte zur Nackenbewegung. Durch den Vergleich der IMU-Sensordaten gesunder Probanden mit Daten von Patienten, die beispielsweise an Schleudertrauma oder Gehirnerschütterungen leiden, können die Algorithmen auch asymptomatische Fälle genau klassifizieren und diejenigen identifizieren, die an den häufigsten Ursachen von Nackenverletzungen leiden.

Einführung des Butterfly-Tests

Mithilfe der IMU-Kopfhaube und MATLAB können wir zahlreiche Untersuchungen durchführen, die alle drei Hauptdimensionen der menschlichen Kinematik abdecken: Bewegungsausmaß, Propriozeption (die Fähigkeit, die Bewegung und Ausrichtung von Körperteilen zu spüren) und neuromuskuläre Kontrolle. Neuromuskuläre Untersuchungen sind dabei häufig die wertvollsten Diagnoseverfahren und gehören zu den Verfahren, die mit den vorhandenen Techniken quantitativ am schwierigsten durchzuführen sind.

Um die neuromuskuläre Kontrolle einer Person zu beurteilen, haben wir ein spezielles Verfahren entwickelt und patentiert, den sogenannten Schmetterlingstest. Bei diesem Test sitzt eine Testperson mit unserer IMU-Kopfhaube vor einem Computermonitor. Die Versuchsperson wird angewiesen, die Bewegung eines Punktes auf dem Monitor visuell zu verfolgen und dabei drei verschiedenen Bahnen – von leicht bis schwierig – zu folgen (Abbildung 2).

Während des Tests misst das IMU kontinuierlich Änderungen der Kopfausrichtung, während die Testperson dem sich bewegenden Punkt folgt (Abbildung 3). Insbesondere zeichnet es 60 Mal pro Sekunde die Roll-, Nick- und Gierwinkel sowie die Winkelgeschwindigkeit und Beschleunigung des Kopfes in diesen Dimensionen auf. Diese aufgezeichneten Daten verarbeiten wir in MATLAB mithilfe statistischer und Techniken des Machine Learning.

Statistische Analyse und Visualisierung

Die von uns entwickelte und mit MATLAB analysierte Software dient dazu, die Fähigkeit einer Versuchsperson zur Kontrolle von Kopf und Hals beim Folgen des sich bewegenden Punktes im Schmetterlingstest objektiv zu messen. Als ersten Schritt projiziert die Software die vom IMU erfassten Drehwinkel auf die 2D-Ebene, die mit der Oberfläche des Monitorbildschirms übereinstimmt. Anhand dieser Projektion kann die Software dann die Bahn des Punktes mit der vom Probanden zurückgelegten Strecke vergleichen. Durch die Darstellung von Überlagerungen dieser Pfade lassen sich die Unterschiede in der Leistung einer asymptomatischen Testperson und einer Testperson mit einer Nackenverletzung leicht erkennen (Abbildung 4).

Zusätzlich zur Generierung von Visualisierungen berechnet die Software auch verschiedene statistische Messwerte, um Unterschiede zwischen asymptomatischen und symptomatischen Personen besser zu quantifizieren. Eine Schlüsselmetrik ist Amplitudengenauigkeit, oder die durchschnittliche Differenz zwischen dem Zielpunkt und dem Probanden-Kontrollcursor über die gesamte Dauer des Tests. Die Software berechnet außerdem die Zeit im Ziel, also den Prozentsatz der Zeit, in der sich der Cursor auf dem Ziel oder in dessen unmittelbarer Nähe befindet. Hierzu zählen sowohl Unter- als auch Überschreitungen, also der Zeitanteil, der jeweils hinter bzw. vor dem Ziel verbracht wird. Abschließend berechnet die Software die Geschmeidigkeit der Bewegung, ein Parameter, der ruckartige Bewegungen quantifiziert, basierend auf der Integration der quadratischen Summe der dritten Ableitung der vom Subjekt verfolgten räumlichen Koordinaten, normalisiert gegenüber den gleichen vom Ziel verfolgten Daten. 

Die mit der Software durchgeführten Analysen zeigen durchweg statistisch signifikante Unterschiede zwischen asymptomatischen und Schleudertrauma-Patienten für praktisch alle berechneten Messwerte, oft mit P-Werten kleiner als 0,001 (Abbildung 5).

Klassifizierung durch Machine Learning

Wir haben kürzlich den Einsatz von Machine Learning untersucht, um Testpersonen auf der Grundlage ihrer Testergebnisse in die Kategorien „asymptomatisch“, „Schleudertrauma“ oder „Gehirnerschütterung“ einzuteilen. Mit der Classification Learner-App in der Statistics and Machine Learning Toolbox™ haben wir verschiedene Machine-Learning-Modelle mit einem Datensatz trainiert, der aus 15 Variablen aus Butterfly-Tests, 30 Variablen aus Bewegungsausmaßtests und 28 Variablen aus Kopf-/Hals-Repositionstests besteht. Nachdem wir Modelle mit einem begrenzten Datensatz trainiert hatten, stellten wir fest, dass ein naives Bayes-Modell am besten funktionierte und die Objekte mit einer Genauigkeit von nahezu 100 % klassifizierte (Abbildung 6).

Wir haben außerdem die Feature-Ranking-Funktionen der Classification Learner-App genutzt, um die Features zu ermitteln, die für die Klassifizierung am wichtigsten waren (Abbildung 7). Mithilfe dieser Funktion haben wir ermittelt, dass Klassifizierungen, die nur auf den sieben wichtigsten Merkmalen basieren (die mithilfe einer Varianzanalyse bzw. ANOVA bewertet wurden), die gleiche Genauigkeit aufweisen wie Klassifizierungen, die auf allen Merkmalen basieren (Abbildung 8). Wir erweitern derzeit die Trainingsdaten, um eine viel größere Zahl von Probanden einzubeziehen, und entwickeln außerdem Modelle, mit denen die Probanden noch weiter nach der Schwere ihrer Beeinträchtigung klassifiziert werden können.

Klinische Anwendungen

Wir arbeiten aktiv an der klinischen Einführung unserer Technologie, damit Ärzte Patienten mit Nackenverletzungen besser behandeln können. Die Kopfhaube ist derzeit bei der US-amerikanischen Food and Drug Administration als Medizinprodukt der Klasse I registriert. Darüber hinaus entwickeln wir weiterhin MATLAB -Algorithmen, um eine wachsende Zahl von Softwareanwendungen zu unterstützen. Eine solche Anwendung ist die Telemedizin und andere häusliche Gesundheitslösungen, wo Patienten unsere Technologie zu Hause nutzen können, um therapeutische Übungen durchzuführen. Eine weitere Möglichkeit besteht darin, zu beurteilen, ob ein Sportler nach einer Kopfverletzung fit genug ist, um an Wettkämpfen teilzunehmen. Mithilfe der Technologie könnten möglicherweise auch Versicherungs- und Invaliditätsansprüche von Schleudertrauma-Patienten überprüft werden. Schließlich planen wir, den Einsatz unserer Technologie über die Untersuchung der Halswirbelsäule hinaus auf andere Teile des menschlichen Körpers auszuweiten.