Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

I ricercatori sviluppano uno strumento cervicale della selezione di mielopatia facendo uso del sensore e dell'apprendimento automatico senza contatto

La mielopatia cervicale (CM) deriva da compressione midollare nel collo e causa la difficoltà che muove le barrette e l'andatura instabile. Poichè i pazienti con la fase iniziale cm hanno sintomi soggettivi minimi e sono difficili affinchè i non specialisti diagnostichino correttamente, i sintomi possono essere aggravati prima che i pazienti siano diagnosticati con cm da uno specialista. Di conseguenza, lo sviluppo degli strumenti della selezione è richiesto di realizzare la diagnosi precoce ed il trattamento di cm.

Un gruppo di ricerca piombo da DRS. Koji Fujita, un conferenziere all'università medica e dentaria di Tokyo e Yuta Sugiura, un professore associato all'università di Keio, hanno combinato una tecnica dell'analisi di moto della barretta facendo uso di un sensore e di un apprendimento automatico senza contatto per sviluppare uno strumento semplice della selezione per cm.

In questo studio, il gruppo ha messo a fuoco sui cambiamenti nel moto della barretta causato da cm. Seconde prove della pinsa nelle 10 e della versione, che è un test diagnostico convenzionale per cm, una pinsa di ripetizioni dell'oggetto e atti della versione altrettante volte possibili in 10 secondi. La prova misura semplicemente il numero degli atti della versione e della pinsa e non mette a fuoco sui cambiamenti nei movimenti della barretta caratteristici per i pazienti con cm, quali i movimenti della manopola per compensare la difficoltà che muove la barretta. Salti il moto (Ultraleap srl), un sensore capace della misura in tempo reale dei movimenti della barretta, può essere usato per estrarre più precisamente tali movimenti.

I ricercatori hanno preveduto che il cm potesse essere preveduto facendo uso dell'apprendimento automatico combinato con il sensore di moto di salto. Una seduta tematica davanti al moto di salto connesso ad un computer portatile con le armi estese è stata incaricata per afferrare e rilasciare le barrette 20 volte al più presto possibile. I movimenti della barretta durante questa prova sono stati catturati dal sensore di moto di salto, video sul suo schermo in tempo reale e sono stati registrati come dati. Hanno reclutato 50 pazienti con cm e 28 oggetti che non hanno avuti cm. I dati di serie cronologica sui loro movimenti della barretta acquistati tramite moto di salto sono stati convertiti in domini di frequenza, che sono stati sottoposti all'apprendimento automatico facendo uso di un commputer di vettore di sostegno. Per concludere, l'accuratezza dei risultati era alta come indicato da una sensibilità di 84,0%, da una specificità di 60,7% e da un'area sotto la curva di 0,85. Questo livello di accuratezza è equivalente o superiore a quello della diagnosi di cm dagli specialisti basati sui risultati fisici.

Lo strumento sviluppato dal gruppo tiene conto i non specialisti schermare la gente per la possibilità di avere cm. I risultati dei test della selezione possono essere usati per incoraggiare quelli con cm sospettato a cercare l'attenzione dello specialista per la diagnosi precoce e l'inizio iniziale del trattamento. Uno scopo di questa ricerca è di impedire il peggioramento di malattia che può causare il declino nel funzionamento fisico e nella perdita sociale.

Questa ricerca è stata condotta nell'ambito dei programmi strategici di ricerca di base di JST, della ricerca del PRISMA accelerata AIP e della ricerca precursore per scienza e tecnologia embrionale (PRSTO).

Source:
Journal reference:

Koyama, T., et al. (2021) Cervical Myelopathy Screening with Machine Learning Algorithm Focusing on Finger Motion Using Non-Contact Sensor. Spine. doi.org/10.1097/BRS.0000000000004243.