MétaCan
Menu
Retour à la cohorte
Enregistrement W6945422376 · doi:10.25593/open-fau-1840

Mobile digitale Ganganalyse zur objektiven longitudinalen Erfassung der Krankheitsprogression der Hereditären Spastischen Paraplegie

2025· article· de· W6945422376 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Languede
DomaineNeuroscience
ThématiqueHereditary Neurological Disorders
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésStatistical analysisPalliative care

Résumé

récupéré en direct d'OpenAlex

Hintergrund und Ziele: Die Hereditäre Spastische Paraplegie (HSP) umfasst eine genetisch und klinisch heterogene Gruppe erblicher neurodegenerativer Erkrankungen, die chronisch und progredient verlaufen. Das Leitsymptom ist eine langsam progrediente spastische Parese der unteren Extremität, welche in einer Gangstörung resultiert. Die Spastic Paraplegia Rating Scale (SPRS) ist die etablierte klinische Skala zur Einschätzung des Schweregrads der Erkrankung, allerdings ist das Ergebnis durch untersucherabhängige Faktoren beeinflusst. Auf Grund des langsamen Krankheitsverlaufs über Jahrzehnte und der großen interindividuellen Variabilität gibt es bislang nur wenige longitudinale Studien zur HSP. In verschiedenen Studien wurde bereits versucht, mit Hilfe der Ganganalyse objektive Verlaufsparameter zu entwickeln. In unserer Abteilung wurden Algorithmen zur Berechnung von Gangparametern mit Hilfe von Machine Learning validiert. Während verschiedener Gangtests zeichnen Sensoren an den Schuhen Gangdaten der Patienten auf und es können daraus Gangparameter berechnet werden. In einer großen multizentrischen Studie konnte gezeigt werden, dass diese Gangparameter bei HSP mit dem SPRS-Punktwert sowie mit der Sturzangst und Lebensqualität korrelieren. Die Ziele der vorliegenden Studie waren (i) zu untersuchen, ob sich Gangparameter, SPRS und Selbsteinschätzung zu Sturzangst und Lebensqualität in einer definierten HSP-Kohorte über die Zeit verändern; (ii) Korrelationen zwischen den Veränderungen der Gangparameter und der SPRS zu analysieren; und (iii) herauszufinden, welcher Gangparameter die HSP-Progression am treffendsten abbildet und/oder die beste Korrelation zur SPRS-Veränderung zeigt. Methoden: In der vorliegenden Arbeit wurden zunächst neue Gangdaten von HSP-Patienten und Kontrollpersonen in den Jahren 2020 und 2021 erhoben, als longitudinale Fortführung von Gangdaten, welche in der Molekular-Neurologischen Abteilung im Zeitraum von 2014 bis 2019 aufgezeichnet worden waren. Bei jedem Termin wurden die aktuellen Symptome anhand der SPRS erfasst. Zudem füllten die Patienten die Falls Efficacy Scale International (FES-I) zur Bewertung der Sturzangst aus. Mit der Short Form Health Survey (SF-12) wurde die Lebensqualität erfasst und mit dem Montreal Cognitive Assessment Test (MoCA) der kognitive Status evaluiert. Zudem nahmen 26 gesunde Kontrollpersonen an der Studie teil. Während die Patienten und Kontrollpersonen standardisierte Gangtests absolvierten, zeichneten Sensoren an den Schuhen die Gangdaten auf und die benötigte Zeit wurde manuell mit einer Stoppuhr gemessen. Es wurden der 4 x 10 Meter Gangtest sowie der Timed Up And Go Test (TUG) absolviert. Für die statistische Analyse wurden ausschließlich nichtparametrische Tests verwendet und das Signifikanzniveau wurde auf p < 0,05 festgelegt. Die Analyse der longitudinalen Unterschiede erfolgte mit dem Wilcoxon-Test und die Korrelationsanalyse wurde mit der Rangkorrelation nach Spearman durchgeführt. Ergebnisse und Beobachtungen: Für die Progressionsanalyse wurden zunächst 77 HSP-Patienten identifiziert, bei denen insgesamt 190 Gangaufnahmen durchgeführt worden waren. Darunter wurden Patienten mit nur einer Visite oder einem maximalen Follow-up Intervall von weniger als 4 Monaten ausgeschlossen. Da die Festlegung auf ein festes Follow-up Intervall von 3 Jahren zu einer starken Reduktion der Kohorte auf 26 Patienten führte und die Festlegung auf ein Intervall von einem Jahr eine zu kurze Zeitspanne für die Progressionsanalyse einer langsam fortschreitenden Erkrankung war, wurde das längste Follow-up Intervall jedes Patienten untersucht. Somit wurden letztendlich 110 Messungen von 55 Patienten in die weitere Analyse einbezogen. Das Follow-up Intervall lag durchschnittlich bei 32 Monaten in der HSP-Gruppe und bei 21 Monaten in der Kontrollgruppe aus 26 gesunden Probanden. In dieser Progressionsanalyse (Vergleich der ersten zur letzten verfügbaren Visite) zeigte sich eine signifikante Verschlechterung von SPRS, Ganggeschwindigkeit, Zeit im TUG und Sturzangst. Die sensorbasierten Gangparameter Schrittzeit, Standzeit und relative Schwungdauer verschlechterten sich ebenfalls signifikant. In der Kontrollgruppe wurde keine signifikante Veränderung zwischen Baseline- und letzter Follow-up-Messung festgestellt. Die Korrelationsanalyse zeigte, dass die longitudinale Veränderung sowohl der manuell gemessenen als auch der sensorbasierten Gangparameter mit der Veränderung der SPRS korreliert (manuell: r = -0,443; sensorbasiert: r = 0,299). Außerdem korrelierten sie zur Verschlechterung der FES-I. Die Varianzkoeffizienten als Surrogat der Gangvariabilität zeigten keine longitudinalen Veränderungen und keine Korrelation zur SPRS-Veränderung, jedoch korrelierten sie zur Veränderung der psychischen Summenskala (MCS: mental component score) der SF-12. Schlussfolgerungen: In der vorliegenden mehrjährigen Progressionsanalyse einer der größten HSP-Kohorten weltweit verschlechterten sich SPRS-Werte und Ganggeschwindigkeit im zeitlichen Verlauf und können daher als Progressionsmarker geeignet sein. In dieser Studie wurden erstmals objektive Messdaten zur Progression der motorischen Beeinträchtigung der HSP erhoben, welche für die künftige Beurteilung der Wirksamkeit neuer Therapien herangezogen werden könnten. Weitere Studien mit festem Follow-up Intervall sowie Studien zur Ganganalyse im häuslichen Umfeld der Patienten sind notwendig, um deren Validität zur Beurteilung von Therapieeffekten zu überprüfen.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,235
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,003

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,024
Tête enseignante GPT0,306
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHereditary Neurological DisordersTravaux en français237 207