Medikaynak Search
Üye Ol Üye Giriş
Medikaynak Menü

Yapılan çalışmalar multipl sklerozlu (PwMS) 2,3 milyon kişinin yarısından fazlasının, herhangi bir üç aylık dönemde bir düşüş yaşadığını göstermektedir. Bu düşmelerin yarısına kadarı tıbbi müdahale gerektiren bir yaralanmaya neden olmakta, bu durumda düşme korkusunu artırmakta ve yaşam kalitesini düşürmektedir. MS kronik bir durumdur ve bu zararlı düşmelerin sağlık sistemi için önemli bir uzun vadeli yük oluşturduğunu düşündürmektedir. Düşmeyle ilişkili yaralanmalardan kurtulmak için gereken süre, hareketlilik sorunlarını kötüleştirebilir ve bu popülasyondaki bağımsızlığı azaltabilir. MS'in neden olduğu, merkezi sinir sistemi boyunca ilerleyen demiyelinizasyon ve aksonal hasar, zayıflatıcı yorgunluk ve bozulmuş koordinasyon, kas gücü ve duyu gibi semptomlarla sonuçlanmaktadır. Araştırmacılar bu semptomların özellikle dinamik aktiviteler sırasında denge ve postüral kontrol ile ilgili sorunlara yol açtığını belirtmişlerdir. Düşmeler çoğunlukla pozisyon transferleri, yön değişiklikleri ve yürüme gibi dengeyi zorlayan günlük aktiviteler sırasında meydana gelmekte olup sağlıklı yetişkinlerle karşılaştırıldığında, PwMS daha sık düşmekle birlikte düşme nedeniyle yaralanma olasılığı daha yüksektir. Düşme öyküsü, PwMS'deki düşme riskinin en önemli öngörücülerinden biridir, ancak düşmelerin yalnızca %51'i kendi kendine rapor edilmektedir. Klinik uygulamada, bir sağlık hizmeti sağlayıcısına bir düşüş bildirilene kadar düşmeyi önleme müdahaleleri genellikle reçete edilmemektedir.

Geriye dönük düşme durumu sınıflandırması

Düşme riskini karakterize etmenin objektif bir yöntemi, önleyici müdahaleleri reçete etme becerimizi artırabilmekle birlikte, PwMS'deki düşme riskinin nicel ölçümleri henüz gelişmeye devam etmektedir. Araştırmacılar hasta raporu ölçümleri ve klinik içi fonksiyonel değerlendirmeleri düşme riskiyle ilişkilendirirken, bu yaklaşımların düşme riskini belirlerken performansının düşük olduğunu ifade etmişlerdir. Geriye dönük düşme durumu sınıflandırması, düşmüş olan insanları düşmemiş olanlardan ayırt etmek için yeterli duyarlılığa sahip biyobelirteçlerin belirlenmesine yardımcı olduğundan, genellikle olası düşme riski tahminlerinin geliştirilmesinde bir ara adım görevi görmektedir. Bununla birlikte, yapılan önceki çalışmalar PwMS'yi dikkate almamış, pahalı laboratuvar ekipmanı gerektirmiş ve genellikle sınıflandırma performansında iyileştirme için yer bırakmıştır. Son zamanlarda yapılan çalışma, düşme yaşayan PwMS ile yaşamayan PwMS ve sağlıklı kontroller arasındaki yürüyüş biyomekaniğindeki farklılıkları yakalamaya odaklanmıştır. Araştırmacılar yanlışların, MS'li veya sağlıklı kontrollere sahip düşmeyenlere kıyasla daha az tahmin edilebilir gövde ivmelenmelerine, daha yavaş yürüme hızına, sınırlı alt ekstremite eklem açısı gezintisine ve hareket açıklığına, uzay-zamansal yürüyüş özelliklerinde artan değişkenliğe ve daha düşük stabilite marjına sahip olduğunu belirtmişlerdir. Bu değişkenler, müdahaleleri bilgilendirmek için kullanılabilecek, düşme riskinin nesnel göstergeleri veya biyobelirteçlerini sağlayabilir, bununla birlikte, mevcut çalışmalar, klinik ortamlara dönüştürülmeyen teknolojiler tarafından kısıtlı ortamlarda yakalanan verilere dayanmakta ve bunların kullanımını sınırlamaktadır. Bu amaçla, geriye dönük düşme durumu sınıflandırması genellikle ileriye dönük düşme riski değerlendirmelerinin geliştirilmesinde bir ara adım görevi görmektedir. Yapılan önceki araştırmalar, düşen PwMS ile düşmeyenler arasında farklılık gösteren yürüyüş biyomekaniği ölçümlerini belirlemiş olup ancak bu biyomekanik indeksler düşen PwMS'yi tespit etmek için henüz kullanılmamıştır ve dahası, klinik yayılmayı engelleyen laboratuvar tabanlı ölçüm teknolojilerinin kullanılmasını gerektirirler. Yapılan bu çalışmada, iki yönlü uzun kısa vadeli (BiLSTM) bellek derin sinir ağının, bir dakikalık yürüme görevi sırasında iki giyilebilir sensörden kaydedilen ivmeölçer verilerine dayanarak yakın zamanda iyi bir performansla düşen PwMS'yi belirleyebildiği gösterilmiş olup, ortaya çıkan sonuçlar, uzay-zamansal yürüyüş parametreleri, giyilebilir sensör verilerinden elde edilen istatistiksel özellikler (%16), hasta tarafından bildirilen (%19) ve nörolog tarafından uygulanan (%24) ölçümler üzerine eğitilmiş makine öğrenme modellerine göre önemli gelişmeler sağlamaktadır. Araştırmacılar bu yaklaşımının başarısının ve basitliğinin (iki giyilebilir sensör, sadece bir dakikalık yürüme), PwMS'de düşme riskini yakalamak için ucuz giyilebilir sensörlerin vaat ettiğini gösterdiğini belirtmişlerdir.

Medikaynak Referanslar

Meyer BM, Tulipani LJ, Gurchiek RD, Allen DA, Adamowicz L, Larie D, Solomon AJ, Cheney N, McGinnis R. Wearables and Deep Learning Classify Fall Risk from Gait in Multiple Sclerosis. IEEE J Biomed Health Inform. 2020 Sep 18;PP. doi: 10.1109/JBHI.2020.3025049. Epub ahead of print. PMID: 32946403.

+ Tüm Referansları Göster
  1. Benzer İçerikler