Decoding gait in individuals with spinal cord injury: From explainable AI to predictive simulations
Tid: Fr 2026-02-06 kl 09.00
Plats: Kollegiesalen, Brinellvägen 8, Stockholm
Språk: Engelska
Ämnesområde: Teknisk mekanik
Respondent: Minh Truong , Flyg- och rymdteknik, marina system och rörelsemekanik, KTH MoveAbility
Opponent: Professor Neil Cronin, Faculty of Sport and Health Sciences, University of Jyväskylä
Handledare: Professor Elena Gutierrez-Farewik, Flyg- och rymdteknik, marina system och rörelsemekanik; Associate Professor Ruoli Wang, Flyg- och rymdteknik, marina system och rörelsemekanik; Emelie Butler Forslund, Aleris Rehab Station R&D Unit, Solna; Karolinska Institutet, Division of Physiotherapy and Division of Clinical Geriatrics, Department of Neurobiology, Care Sciences and Society, Stockholm, Sweden; Professor Åke Seiger, Aleris Rehab Station R&D Unit, Solna; Karolinska Institutet, Division of Clinical Geriatrics, Department of Neurobiology, Care Sciences and Society, Stockholm, Sweden
QC260113
Abstract
Även om nuvarande biomekanikforskning baserad på normala modeller och antaganden om normalitet har betydande förtjänster, misslyckas den med att på ett tillförlitligt sätt beskriva individer med funktionsnedsättningar under normativ funktion. Ryggmärgsskada (SCI), vare sig traumatisk eller icke-traumatisk (nontraumatisk), kan delvis eller fullständigt skada sensomotoriska banor, vilket leder till heterogena gångavvikelser. Det finns en betydande kunskapslucka gällande biomekaniska och neurologiska rörelsestrategier i denna population på grund av komplexa, interagerande faktorer inklusive ålder, vikt, tid sedan skada, smärta, sensomotorisk funktionsnedsättning och spasticitet. ASIA Impairment Scale, även om den rekommenderas för klassificering av skadans svårighetsgrad, utformades inte för att karakterisera individuell ambulatorisk kapacitet. Andra standardiserade bedömningar baserade på subjektiva skattningar eller tid-/distansmått har likaså begränsad förmåga att på ett heltäckande sätt karaktärisera funktionell kapacitet i denna population.
Den här avhandlingen syftar därför till att skapa sådana beräkningsmässiga ramverk för att studera gångstrategier hos individer med SCI, i synnerhet inkomplett SCI (iSCI), genom två kompletterande tillvägagångssätt: att utveckla maskininlärningsalgoritmer som kopplar individuella egenskaper till gångutfall, och att individualisera målfunktioner och optimeringsvillkor i prediktiva simuleringar genom neuromuskuloskeletal modellering.
Studie I föreslog och utvärderade ett ramverk som tillämpade Gaussisk Processregression och SHapley Additive exPlanations (SHAP) för att kvantifiera hur neurologiska funktionsnedsättningar och andra demografiska och antropometriska faktorer bidrar till gånghastighet och netto syrgaskostnad under ett sex-minuters gångtest. Individuella SHAP-analyser kvantifierade hur dessa faktorer påverkade gångprestationen för varje deltagare, vilket informerade personlig rehabilitering riktad mot områden med störst potential för förbättring.
Studie II stratifierade gångheterogenitet hos individer med iSCI genom att härleda kluster med liknande gångmönster utan a priori parameteridentifiering och bedömde kliniska korrelationer inom de härledda klustren. Sex distinkta gångkluster identifierades och karakteriserades bland 280 iSCI-gångcykler, vilket representerar ett första steg mot individualiserade rehabiliteringsprogram.
Studie III karakteriserade stabilitetsmarginal, temporospatiala parametrar och ledmekanik i fyra iSCI-undergrupper från Studie II jämfört med en kontrollgrupp, och identifierade hur gånganpassningar utvecklas när muskelsvaghet progressivt påverkar större muskelgrupper. Gångmönstren förblev normala vid isolerad mild plantarflexorsvaghet men försämrades med kombinerad höftmuskelsvaghet och allvarlig plantarflexorsvaghet.
Studie IV utvecklade ett optimeringsramverk som fungerar på två nivåer. Ramverket använder Bayesiansk optimering för att automatiskt identifiera optimala objektivvikter för prediktiva gångsimuleringar hos individer med iSCI. Vid testning på en kvinnlig deltagare med asymmetrisk muskelsvaghet lyckades ramverket automatisera viktidentifiering på 9-12 dagar och visade att optimala vikter presterade bättre än standardinställningar från litteraturen för att förutsäga kinematik, kinetik och markreaktionskrafter, vilket visar lovande potential för att systematiskt utforska personliga kompensatoriska gångstrategier med prediktiva simuleringar.
Dessa fynd demonstrerar potentialen hos avancerade datadrivna och simuleringsbaserade tekniker för att adressera gångkomplexitet hos individer med SCI, med bredare tillämplighet på andra kliniska populationer.