F(Σd i )
publicité
A Classification Study of Kinematic Gait Variables in Hip Osteoarthritis La Coxarthrose L’objectif Faire une contribution vers le développement des mesures objectif des capacités fonctionnelles des patients. Mesure actuelle qui est souvent utilisé WOMAC Western Ontario and McMaster Universities Arthritis Index Problèmes • Pas assez objectif • Pas suffisamment fin – Prothèse, Différents Traitements. L’Analyse 3D de la Marche Serait-elle utile sur le plan clinique? • Est-elle capable de distinguer les patients et les contrôles? • Le volume de données qui est généré • Est-ce qu‘elle reflète la condition du patient L’Analyse 3D de la Marche L’Apprentissage Machine L’Apprentissage Machine Des algorithmes qui utilisent une partie des données comme des exemples pour construire une surface de séparation entre les données (phase de formation ou de l’apprentissage). Le reste des données est ensuite utilisé pour tester si l'hyperplan de séparation est discriminant (phase de test). Le phase d'apprentissage - Les données sont étiquetées F(Sdi) est calculée par des algorithmes d'optimisation 1 -1 1 1 1 1 -1 -1 -1 -1 Phase de test - exemples inédits + F(Sdi) - Chat Chien Critère principal pour séparer les données – la distance Euclidienne S'il existe trop de chevauchement dans les données Mauvais classement des données Bon classement s'il y a des différences discriminables entre les données Taux de réussite (Accuracy) % Patient Arthritique SVM Sujet Contrôle Taux de réussite % Patient Arthritique SVM Sujet Contrôle Contrairement aux analyses de variance (l’ANOVA), les techniques d'apprentissage automatique sont multivariées et non linéaire. Patients Controls N 20 20 Age 63.82 ± 6.55 62.23 ± 6.24 BMI 26.02 ± 4.35 24.07 ± 4.03 WOMAC Pain 60.81 ± 21.04 NA WOMAC Stiffness 53.75 ± 25.03 NA WOMAC Function 55.05 ± 21.59 NA Les trajectoires des angles cinématiques pendant la marche Patient Control L’Analyse 3D de la Marche Serait-elle utile sur le plan clinique? • Est-elle capable de distinguer les patients et les contrôles? • Le volume de données qui est généré • Est-ce qu‘elle reflète la condition du patient Taux de réussite % Patient Arthritique Normal Subject SVM Est-ce que l’algorithme arrive à déterminer si un cycle de marche appartient à un patient ou à un sujet témoin? Quel pourcentage de cycle locomoteur devrait être identifier comme des cycles ‘patients’ avant d’identifier un sujet comme un patient? ROC curve sensitivity 1 0,9 0,8 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 1-specificity Si plus de 50% des cycles de marche sont identifiés comme appartenant à un patient, le sujet est identifié comme patient. En utilisant ce seuil, 97% des sujets ont été correctement identifiés comme des patients ou des contrôles. L’Analyse 3D de la Marche Serait-elle utile sur le plan clinique? • Est-elle capable de distinguer les patients et les contrôles? • Le volume de données qui est généré • Est-ce qu‘elle reflète la condition du patient 100 Accuracy (%) 80 60 40 20 0 L’angle sagittal de la cuisse fournit une discrimination aussi important (86%) que celle fournit par tous les angles ensemble (87%). L’Analyse 3D de la Marche Serait-elle utile sur le plan clinique? • Est-elle capable de distinguer les patients et les contrôles? • Le volume de données qui est généré • Est-ce qu‘elle reflète la condition du patient La corrélation des variables cinématiques de la marche avec les indices cliniques Correlation coefficient with thigh sagittal angle Correlation coefficient with combined sagittal and foot frontal angles WOMAC Pain ns 0.6 p<0.05 WOMAC Stiffness ns ns WOMAC Function 0.46 p<0.05 0.72 p<0.05 Conclusions L'analyse 3D de la marche associée à l'apprentissage machine est capable de discriminer les patients et les témoins avec un taux de réussite de 97%. L'angle sagittal de la cuisse fournit la meilleure identification des cycles de marche. Les paramètres cinématiques sont partiellement corrélées avec les scores WOMAC donc indiquant la présence d'informations complémentaire dans les deux mesures. Thanks Sumitra Nair Arvind Tolambiya The CIC of CHU Dijon – Davy Laroche, Claire Morisset, Paul Ornetti, JF Maillefert Conseil Régional de Bourgogne
