Bewegingsanalyse als tool voor een automatische en objectieve differentiatie van twee bewegingsstoornissen bij kinderen met een dyskinetische vorm van hersenverlamming

Wat als uw kind geboren wordt met een hersenverlamming? Wereldwijd worden 3 op 1000 kinderen geboren met een hersenverlamming, ook wel cerebrale parese (CP) genoemd. Afhankelijk van de uiting van deze aandoening worden deze kinderen onderverdeeld in verschillende groepen. 9 op 10 wordt geboren met een spastische vorm van hersenverlamming. Dyskinetische cerebrale parese (DCP) is de tweede grootste groep. Omwille van zijn beperkt voorkomen is onderzoek binnen deze laatste groep helaas beperkt. Desalniettemin werd de afgelopen jaren een positieve evolutie waargenomen binnen dit vakgebied.

Wat is dyskinetische cerebrale parese?

Dyskinetische cerebrale parese (DCP) is een zeldzame motorische aandoening met schade aan het ontwikkelende brein. DCP uit zich klinisch in onwillekeurige bewegingen en moeilijk gecontroleerde vrijwillige bewegingen, ten gevolge van abnormale en wisselende spierspanningen.

Dystonie (DYS) en choreoathetose (CA) zijn de twee gekende bewegingsstoornissen binnen de DCP populatie. DYS wordt gekenmerkt door abnormale hoeken in de gewrichten en CA door veelvoudig wringende bewegingen. Differentiatie en ernstbeoordeling van beiden zijn belangrijk in het doeltreffend toekennen van een correcte en gunstige behandeling. Het kan ook inzichten scheppen in het kennisluik rond de beperkt gekende aandoening, zijn therapie en toekomstverwachting. Echter, mede door de overeenkomsten en het gemengd voorkomen van beide bewegingsstoornissen, is differentiatie en evaluatie erg complex.

Meten is weten!

De differentiatie en evaluatie van DYS en CA is momenteel mogelijk met behulp van meetschalen, met de Dyskinesia Impairment Scale (DIS) als gouden standaard. Dergelijke meetschalen worden door experten gebruikt om op basis van videobeelden van het kind de ernst van DYS en CA te scoren. Een correcte beoordeling van de bewegingsstoornis gegrond op een individuele interpretatie van de gekende definities is echter erg moeilijk en klinisch minder praktisch. Om reden van het deels subjectief en tijdrovende aspect van deze schaal en de verwachte ervaring van de beoordelaars, richtte onderzoek zich recent op meer objectieve meetinstrumenten. Deze toestellen zijn in staat gedetailleerd en betrouwbaar bewegingskarakteristieken weer te geven kenmerkend voor een bepaalde bewegingsstoornis.          

Binnen onze studie werd specifiek nagegaan of driedimensionale bewegingskarakteristieken van het bovenste lidmaat tijdens het reiken gebruikt kunnen worden om DYS en CA automatisch te gaan differentiëren.

De studieprocedure                                                                                                                                                                                                                                                                                                                                                                 .

Twaalf kinderen met DCP namen deel in een studieprotocol bestaande uit drie taken: voorwaarts en zijwaarts reiken, en verticaal reiken en grijpen. De DIS-meetschaal werd gebruikt om DYS- en CA- aanwezigheid of afwezigheid te scoren in de onderarm. Tijdens deze reiktaken werden de bewegingen geregistreerd gebruikmakend van markers en sensoren. De plaatsing hiervan wordt weergegeven in Foto 1. Polsbeweging, voorarmversnelling en -hoeksnelheid werden vastgelegd en vervolgens afgeleid tot 144 bewegingsparameters.

Foto 1: Plaatsing markers en sensoren

Om deze data nauwkeurig, makkelijk en snel te verwerken werd gebruik gemaakt van machine learning technieken. Machine learning is een deel van artificiële intelligentie en is gebaseerd op het idee dat een wiskundige formule, ook wel algoritme genaamd, kan leren uit trainingsdata zonder hiervoor expliciet geprogrammeerd te zijn. Er werd geopteerd voor het support vector machine learning (SVM) classificatiemodel voor een optimale klinische differentiatie tussen DYS en CA.

De 144 bekomen bewegingsparameters werden samen met hun overeenstemmende DIS classificaties toegevoegd in het SVM model en gebruikt als trainingsdata. Na het trainen van het model werd de SVM geacht in staat zijn om op basis van bewegingsparameters zelf de klassen (DYS en/of CA) te kunnen voorspellen. De vooraf bepaalde DIS classificaties werden in dit trainingsproces gebruikt als referentie en afgetoetst tegen de voorspelde klassen van het SVM model om zo de kwaliteit van het model te bepalen.

Vervolgens vond een selectieprocedure plaats om de relevante bewegingsparameters te identificeren voor beide bewegingsstoornissen apart.

De bekomen resultaten

Resultaten wezen uit dat het SVM model met een redelijke nauwkeurigheid (74.58%) predictief onderscheid kan maken tussen aan- of afwezigheid van DYS en CA. Betere resultaten werden gevonden in een SVM model dat de bewegingsstoornissen apart gaat differentiëren. Identificatie van de aan- of afwezigheid van DYS of CA isrespectievelijk  mogelijk met een 90.34% en 84.66% nauwkeurigheid. Ten slotte werden in deze studie typerende bewegingsparameters voor DYS en CA opgelijst.

Let’s make a change!

Deze studie was pionier in het valideren van een automatische differentiatie van DYS en CA tijdens functionele taken van het bovenste lidmaat. De veelbelovende resultaten kunnen betekenisvol zijn in het creëren van nieuwe inzichten en betere doelgerichte therapie met oog op het verbeteren van de functionele activiteiten en kwaliteit van leven van kinderen met DCP.