Forscher der Fakultät für medizinische und Gesundheitswissenschaften der TAU haben die internationale Gemeinschaft der Maschinenlernforscher eingeladen, an einem Wettbewerb teilzunehmen, der entwickelt wurde, um ihre Studie voranzutreiben und Neurologen zu unterstützen: die Entwicklung eines maschinellen Lernmodells zur Unterstützung eines tragbaren Sensors zur kontinuierlichen, automatisierten Überwachung und Quantifizierung von Freezing of Gait (FOG)-Episoden bei Menschen mit Parkinson-Krankheit. Fast 25.000 Lösungen wurden eingereicht und die besten Algorithmen wurden in die neuartige Technologie integriert.
Die Studie wurde von Prof. Jeff Hausdorff vom Fachbereich Physiotherapie der Fakultät für Medizin und Gesundheitswissenschaften und der Sagol School of Neuroscience der Universität Tel Aviv, sowie dem Zentrum für die Untersuchung von Bewegung, Kognition und Mobilität am Tel-Aviv Medical Center geleitet, zusammen mit Amit Salomon und Eran Gazit vom Tel Aviv Medical Center. Weitere Ermittler waren Forscher aus Belgien, Frankreich und der Harvard University. Die Arbeit wurde in Nature Communications veröffentlicht und in den Editors’ Highlights der Zeitschrift vorgestellt.
Prof. Hausdorff, Experte auf den Gebieten Gang, Alterung und Parkinson-Krankheit, erklärt: “FOG ist ein beeinträchtigendes und bisher unerklärtes Phänomen, das 38-65 % der Parkinson-Patienten betrifft. Eine FOG-Episode kann von einigen Sekunden bis zu mehr als einer Minute dauern, während der die Füße des Patienten plötzlich ‘auf dem Boden kleben’ und die Person nicht in der Lage ist, zu beginnen oder weiterzugehen. FOG kann die Mobilität, Unabhängigkeit und Lebensqualität von Menschen mit Parkinson-Krankheit ernsthaft beeinträchtigen.
Amit Salomon fügt hinzu: “Heutzutage basieren Diagnose und Verfolgung von FOG in der Regel auf Selbstauskunftsbögen und visueller Beobachtung durch Ärzte sowie auf einer Frame-für-Frame-Analyse von Videos von Patienten in Bewegung. Diese letzte Methode, derzeitiger Goldstandard, ist zuverlässig und genau, hat aber einige ernsthafte Nachteile: Sie ist zeitaufwändig, erfordert mindestens zwei Experten und ist für die Langzeitüberwachung im häuslichen Umfeld und im täglichen Leben unpraktikabel. In der aktuellen Studie sammelten die Forscher Daten aus mehreren bestehenden Studien, die sich auf über 100 Patienten und etwa 5.000 FOG-Episoden beziehen. Alle Daten wurden auf der Kaggle-Plattform, einem Unternehmen von Google, das internationale Maschinenlernwettkämpfe veranstaltet, hochgeladen. Mitglieder der weltweiten Maschinenlerngemeinschaft wurden eingeladen, Modelle zu entwickeln, die in tragbare Sensoren integriert werden sollen, um verschiedene FOG-Parameter (z. B. Dauer, Häufigkeit und Schweregrad von Episoden) zu quantifizieren. Insgesamt nahmen 1.379 Gruppen aus 83 Ländern an der Herausforderung teil und reichten schließlich insgesamt 24.862 Lösungen ein.