MétaCan
Menu
Back to cohort
Record W6945422376 · doi:10.25593/open-fau-1840

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

2025· article· de· W6945422376 on OpenAlexaboutno aff

Bibliographic record

Venuenot available
Typearticle
Languagede
FieldNeuroscience
TopicHereditary Neurological Disorders
Canadian institutionsnot available
Fundersnot available
KeywordsStatistical analysisPalliative care

Abstract

fetched live from 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.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.002
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesInsufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: Not applicable
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.235
Threshold uncertainty score0.999

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.003
Science and technology studies0.0010.001
Scholarly communication0.0010.001
Open science0.0020.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0040.003

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.024
GPT teacher head0.306
Teacher spread0.282 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; both teacher heads agree on what is shown here.

Study designNot applicable
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same topicHereditary Neurological DisordersFrench-language works237,207