Multiple Sklerose (MS) kann sich bei den weltweit fast zwei Mio. Betroffenen auf vielfache Art und Weise auswirken. Gangprobleme sind dabei ein verbreitetes Symptom. Rund die Hälfte der Patienten benötigt laut einer Studie von Wissenschaftlern der University of Illinois Urbana Champaign binnen 15 Jahren nach dem Auftreten der MS-Krankheit Unterstützung beim Gehen. "Maschinelle Lernverfahren (KI) scheinen beim Erkennen komplexer verborgener Veränderungen in der Leistung besonders gut geeignet zu sein. Wir haben die Hypothese aufgestellt, dass diese Analyseverfahren auch bei der Vorhersage von plötzlichen Gangveränderungen nützlich sein könnten", so Forschungsleiter Manuel Hernandez. Wir vermuteten, dass diese Analysetechniken auch nützlich sein könnten, um plötzliche Gangänderungen bei Personen mit MS vorherzusagen."

"Biomechanische Systeme, wie z. B. das Gehen, sind schlecht modellierte Systeme, das es schwierig macht, Probleme in einem klinischen Umfeld zu erkennen", sagte Mitautor Sowers." Mithilfe eines instrumentierten Laufbandes wurden Daten von 20 Patienten mit MS und von 20 Personen gesammelt, die in Bezug auf Alter, Gewicht, Größe und Geschlecht dieser Gruppe entsprachen. Die Teilnehmer gingen bis zu 75 Sekunden lang ruhig. Spezialisierte Software erfasste die Ereignisse beim Gehen, die entsprechenden Bodenreaktionskräfte und die Position des Druckmittelpunkts während des Gehens. Die Forscher extrahierten für jeden Teilnehmer die charakteristischen räumlichen, zeitlichen und kinetischen Eigenschaften ihrer Schritte, um Abweichungen des Gangs bei jedem Test zu untersuchen.

Veränderungen in verschiedenen Gang-Eigenschaften, inklusive ein Feature namens Schmetterlingsdiagramm, halfen den Forschern, bei den Teilnehmern Unterschiede in Gangmustern festzustellen. Dieses Diagramm verdankt seinen Namen einer wie ein Schmetterling geformten Kurve und wird mit entscheidenden neurologischen Funktionen in Verbindung gebracht. Laut Co-Forschungsleiterin Rachneet Kaur sollen weitere Studien durchgeführt werden. "In dieser Studie versuchen wir, Schlussfolgerungen aus Datensätzen zu extrahieren, die viele Messungen jedes Einzelnen, aber eine kleine Anzahl von Individuen enthalten. Die Ergebnisse dieser Studie machen erhebliche Fortschritte im Bereich der klinisch-maschinell-basierten Krankheitsvorhersagestrategien."