Real-World Clinical Gait Analysis in Parkinson’s Disease: Fall Risk Assessment Based on Digital Mobility Outcomes Derived from Wearable Inertial Sensor Data

Language
en
Document Type
Doctoral Thesis
Issue Date
2023-02-13
Issue Year
2023
Authors
Roth, Nils
Editor
Abstract

In the elderly, a fall can lead to severe injuries with the need for hospitalization, increase morbidity, and thus reduce the overall quality of life. The prevalence of falls is particularly high in patients suffering from chronic neurodegenerative diseases such as Parkinson’s disease (PD) due to disease-specific gait and balance impairments. Hence, the assessment of a PD patient’s gait function is a fundamental part of the clinical management of this disease. In this context, wearable inertial measurement units (IMUs) enable an objective assessment of detailed gait parameters. Although instrumented gait tests are a first step to support the clinical decision-making, these assessments provide only brief snapshots of a complex disease under unnatural conditions. Therefore, a transition from laboratory snapshots to continuous long-term monitoring of gait and mobility parameters is required. Recent advances in wearable sensor technology, including longer battery life and sensor miniaturization, nowadays allow an unobtrusive integration of wearable IMUs into patients’ daily lives. However, while collecting ecologically valid data is technically feasible today, generating clinically meaningful digital mobility outcomes (DMOs) from real-world datasets is still ongoing research to which this work contributes.

Due to the variability and heterogeneity of real-world recordings, existing algorithms which have been originally developed for standardized gait tests need to be re-evaluated and possibly replaced by more suitable or adapted approaches. Therefore, the first contribution of this thesis addresses the segmentation of individual strides from continuous inertial sensor data, which is a fundamental part of a gait analysis pipeline. An existing template matching-based approach and a novel hidden Markov model (HMM)-based stride segmentation were evaluated on nearly 150,000 manually annotated real-world strides of 28 PD patients. The proposed HMM-based approach achieved a mean segmentation F1 score of 92.1 % across the entire dataset and significantly outperformed the template-matching approach. Short walking bouts (< 30 strides) resulted in F1 scores ≤ 91.1 %, whereas longer walking bouts (> 50 strides) yielded F1 scores of 96.2 % and up to 98.2 % for the longest bouts (> 200 strides). However, the quality of stride segmentation was comparable to results from standardized gait tests in the laboratory only for long walking bouts. These findings highlight the challenges of processing real-world datasets due to the increased complexity and heterogeneity of the recorded gait. Especially for short walking bouts, where a large fraction of non-steady-state strides such as initiation, termination, or turns is expected, the data-driven HMM achieved promising results for future real-world applications.

However, not only a re-evaluation of concepts such as stride segmentation is required to transfer gait analysis from the laboratory to the real world, but also the development of new DMOs must be considered. Therefore, a new gait analysis pipeline was proposed to enable the assessment of new gait-related DMOs. Specifically, the implemented pipeline allowed the parameterization of individual strides from stair ascending and descending, which is a fundamental part of our daily-life mobility and has not been studied under real-world conditions. In this context, the existing HMM was extended to a multiclass model and combined with an adapted gait event detection approach matching the needs of stair ambulation biomechanics. The proposed pipeline was evaluated on an outdoor course containing three different stair geometries with 20 young and healthy participants who completed the course multiple times at slow, preferred, and fast speeds. Compared to a pressure insole reference, the pipeline achieved an F1 score of 98.5 % and gait event timing errors below 10 ms for all conditions. The walking activity could be classified on a per stride level with an accuracy of 98.2 %, based on trajectory features. Additionally, the entire analysis pipeline was validated end-to-end on an independent dataset of 13 PD patients to test its applicability for future clinical applications.

In order to evaluate not only the technical but also the clinical validity, the pipeline was successfully transferred to a first clinical application. In their daily lives, PD patients have to constantly adapt their gait to changing environmental conditions, which includes managing stairs. Due to their unique geometric constraints, stair walking adds additional challenges to the motor and control system compared to level walking. Therefore, for the first time, objective gait parameters derived from real-world stair ambulation sequences were investigated as new sensitive outcomes for fall risk assessment in a PD patient cohort. The study revealed significant differences between fallers (N = 11) and non-fallers (N = 29) in stair ascending and stair descending parameters. These differences were less pronounced for the same parameters extracted from level walking. Gait speed during stair ambulation was reduced by 16 % on average for fallers, whereas their stance phase was increased by 20 % on average. These results highlight the clinical relevance of real-world stair ambulation performance as new DMOs for fall risk assessments.

To conclude, this thesis contributes to the ongoing efforts to transfer mobile gait analysis systems from the laboratory to clinical applications in the real world. The presented contributions enable a robust assessment of detailed stride-level gait parameters to gain holistic insights into real-world mobility beyond level walking. The newly presented DMOs derived from real-world stair ambulation bouts proved their potential for fall risk assessment and may support future clinical applications to improve the health and well-being of patients suffering from gait and mobility impairments.

Abstract

Bei älteren Menschen kann ein Sturz zu schweren Verletzungen mit Krankenhausaufenthalt führen, die Morbidität erhöhen und damit die Lebensqualität insgesamt verringern. Die Prävalenz von Stürzen ist bei Patienten mit chronischen neurodegenerativen Erkrankungen wie dem Parkinson-Syndrom (PD) aufgrund krankheitsspezifischer Beeinträchtigungen des Gangs und des Gleichgewichts besonders hoch. Daher ist die Bewertung der Gangfunktion eines PD-Patienten ein grundlegender Bestandteil im klinischen Umgang dieser Erkrankung. In diesem Zusammenhang werden tragbare inertiale Messeinheiten (IMUs) eingesetzt, um eine objektive Bewertung detaillierter Gangparameter zu ermöglichen. Obwohl instrumentierte Ganguntersuchungen ein erster Schritt zur Unterstützung in der klinischen Entscheidungsfindung sind, ermöglichen diese Untersuchungen nur kurze Momentaufnahmen einer komplexen Krankheit unter unnatürlichen Bedingungen. Daher ist ein Wandel von Momentaufnahmen im Labor zu einer kontinuierlichen Langzeitüberwachung von Gang- und Mobilitätsparametern erforderlich. Jüngste Fortschritte in der Technologie von tragbaren Sensoren, einschließlich längerer Batterielaufzeiten und der Miniaturisierung von Sensoren, ermöglichen heute eine unauffällige Integration von IMUs in den Alltag der Patienten. Doch während das Erheben ökologisch valider Daten heute technisch machbar ist, ist die Bereitstellung von klinisch aussagekräftigen digitalen Mobilitätsparametern (DMOs) aus dem Alltag noch Teil laufender Forschung, zu der diese Arbeit beiträgt.

Aufgrund der Variabilität und Heterogenität von Aufzeichnungen aus dem Alltag müssen bestehende Algorithmen, die ursprünglich für standardisierte Gangtests entwickelt wurden, neu evaluiert und gegebenenfalls durch geeignetere oder angepasste Ansätze ersetzt werden. Daher befasst sich der erste Beitrag dieser Dissertation mit der Segmentierung einzelner Schritte aus kontinuierlichen Inertialsensordaten, was einen grundlegenden Teil einer Ganganalyse-Pipeline darstellt. Ein bestehender, auf Template-Matching basierender Ansatz und eine neue, auf hidden Markov Modellen (HMM) basierende Schrittsegmentierung wurden dazu auf fast 150,000 manuell annotierten Schritten aus dem täglichen Leben von 28 PD Patienten evaluiert. Der hier vorgeschlagene HMM-basierte Ansatz erreichte einen mittleren Segmentierungs-F1-Score von 92.1 % für den gesamten Datensatz und übertraf den Template-Matching-Ansatz deutlich. Kurze Gehstrecken (< 30 Schritte) ergaben F1 Scores ≤ 91.1 %, während auf längeren Gehstrecken (> 50 Schritte) F1 Scores von 96.2 % und bis zu 98.2 % auf den längsten Gehstrecken (> 200 Schritte) erreicht wurden. Die Güte der Schrittsegmentierung war allerdings nur für langen Gehstrecken vergleichbar mit den Ergebnissen aus standardisierten Gangtests im Labor. Diese Erkenntnisse verdeutlichen die Herausforderungen bei der Verarbeitung von Datensätze aus dem täglichen Leben aufgrund der erhöhten Komplexität und Heterogenität des aufgezeichneten Gangs. Insbesondere bei kurzen Gehstrecken, bei denen ein großer Anteil an nicht-gleichmäßigen Schritten zu erwarten ist, z.B. zu Beginn, am Ende oder bei Drehungen, konnte das Daten-getriebene HMM dennoch vielversprechende Ergebnisse für zukünftige Anwendungen im täglichen Leben erzielen.

Es ist jedoch nicht nur die Überarbeitung von Konzepten wie der Schrittsegmentierung erforderlich, um die Ganganalyse aus dem Labor in den Alltag zu übertragen, sondern auch die Entwicklung neuer DMOs muss in Betracht gezogen werden. Daher wurde eine neue Ganganalyse-Pipeline vorgestellt, um die Erfassung neuer gangbezogener DMOs zu ermöglichen. Die implementierte Pipeline ermöglichte insbesondere die Parametrisierung von Einzelschritten aus dem Treppenauf- und Absteigen, was ein grundlegender Bestandteil unserer Mobilität im täglichen Leben ist und bisher nicht unter Alltagsbedingungen untersucht wurde. In diesem Zusammenhang wurde das bestehende HMM zu einem Mehrklassen-Modell erweitert und mit einem angepassten Ansatz zur Erkennung von Gangevents kombiniert, der den Anforderungen der Biomechanik des Treppenlaufens entspricht. Die vorgeschlagene Pipeline wurde auf einem Outdoor-Parcours mit drei verschiedenen Treppengeometrien mit 20 jungen und gesunden Probanden evaluiert, die den Parcours in langsamer, bevorzugter und schneller Geschwindigkeit mehrmals durchliefen. Im Vergleich zu einer Einlegesohle mit integrierten Drucksensoren erreichte die Pipeline einen F1 Score von 98.5 % und Fehler in den Gangevents unter 10 ms für alle Bedingungen. Die Gehaktivität konnte basierend auf Trajektorienmerkmalen für einzelne Schritte mit einer Genauigkeit von 98.2 % klassifiziert werden. Zusätzlich wurde die gesamte Analysepipeline auf einem unabhängigen Datensatz von 13 PD-Patienten Ende-zu-Ende validiert, um die Anwendbarkeit für zukünftige klinische Anwendungen zu testen.

Um nicht nur die technische, sondern auch die klinische Validität zu bewerten, wurde die Pipeline erfolgreich in eine erste klinische Praxisanwendung übertragen. In ihrem täglichen Leben müssen PD Patienten ihren Gang ständig an sich ändernde Umgebungsbedingungen anpassen, wozu auch die Bewältigung von Treppen zählt. Aufgrund ihrer besonderen geometrischen Gegebenheiten stellt das Treppengehen zusätzliche Anforderungen an die Motorik und die Koordination im Vergleich zum Gehen auf der Ebene dar. Aus diesem Grund wurde zum ersten Mal eine objektive Bewertung von Gangparametern während des Treppengehens im täglichen Leben als neuer sensitiver Indikator für die Sturzrisikobewertung in einer PD Patientenkohorte untersucht. Die Studie ergab signifikante Unterschiede zwischen Stürzern (N = 11) und Nicht-Stürzern (N = 29) in Gangparametern während dem Treppenauf- und abstieg. Diese Unterschiede waren bei den gleichen Parametern, die aus normalem Gehen extrahiert wurden, weniger stark vorhanden. Die Ganggeschwindigkeit beim Treppengehen war für Stürzer im Schnitt um 16 % reduziert, während deren Standphase im Durchschnitt um 20 % erhöht war. Diese Ergebnisse verdeutlichen die klinische Relevanz von Gangparametern beim Treppengehen im Alltag als neue sensitive DMOs für die Bewertung des Sturzrisikos.

Zusammenfassend trägt diese Dissertation zu den laufenden Bemühungen bei, mobile Ganganalyse-Systeme aus dem Labor in klinische Anwendungen im Alltag zu übertragen. Die vorgestellten Beiträge ermöglichen eine robuste Erfassung detaillierter Gangparameter auf Schritt-Level, um ganzheitliche Einblicke in die Mobilität im Alltag auch jenseits des Gehens in der Ebene zu gewinnen. Die neu vorgestellten DMOs, die vom Treppengehen aus dem Alltag abgeleitet wurden, haben ihr Potenzial für die Bewertung des Sturzrisikos bewiesen und könnten zukünftige klinische Anwendungen unterstützen, um die Gesundheit und das Wohlbefinden von Patienten mit Gang- und Mobilitätseinschränkungen zu verbessern.

DOI
Faculties & Collections
Zugehörige ORCIDs