'Ortho-Eyes’

Het lectoraat Technologie voor Gezondheidszorg doet samen met het Leids Universitair Medisch Centrum (LUMC) onderzoek naar de beweging van het schoudergewricht met behulp van het Flock of Birds systeem. Dit systeem brengt bewegingen van het schoudergewricht drie-dimensionaal in beeld. Het onderzoek levert een bijdrage aan de behandeling van patiënten met verschillende scheuren in een schouderspier.

In de afgelopen jaren zijn verschillende onderzoeken uitgevoerd om de schouderbeweging (kinematica) te beschrijven bij patiëntengroepen met verschillende scheuren in een schouderspier (rotator cuff aandoeningen). Kinematische analyse van de schouderbeweging zou mogelijk kunnen bijdragen tot de diagnose van rotator cuff aandoeningen. Om de diagnose van deze aandoeningen vast te stellen, wordt nu meestal gebruik gemaakt van röntgenfoto's om de ernst van de aandoening te bepalen. In het revalidatieproces van patiënten is het niet haalbaar om de progressie van de patiënt bij te houden met behulp van röntgenbeelden. Daarom zou een minder dure en gemakkelijkere manier (sneller, minder afhankelijk van opgeleid personeel) om de vooruitgang te meten nuttig zijn. Kinematische opnamen, zoals met het Flock of Birds systeem, zouden een mogelijkheid kunnen bieden voor een dergelijke procedure.

Aanpak

In het onderzoek ‘Ortho Eyes’ streven we naar een model om rotator cuff aandoeningen te classificeren op basis van kinematische opnames. De uitdaging in dit onderzoek is de classificatie van schouder-arm bewegingen in groepen van gelijkaardige patronen met behulp van machine learning, gebaseerd op supervised learning. We zoeken vooral naar verklaarbare modellen, omdat we ervan uitgaan dat dit de acceptatie van het model verhoogt. De bewegingsopnames werden verkregen bij verschillende soorten schouderpatiënten en we vergeleken de machine-gebaseerde output met de diagnostische classificatie van de medische experts. Het doel was om te zien welke variabelen de machine het meest dominant vindt voor verschillende soorten schouderklachten.

Resultaten

De geregistreerde opnames stuitten op een paar problemen. Een ervan is dat de hoeveelheid datapunten groter is dan de hoeveelheid patiënten, waardoor het risico van overfitting van het model reëel is. Dit wil zeggen dat het model individuele patiënten leert te herkennen, in plaats van een meer algemeen bewegingspatroon aan te leren, dat op andere patiënten van toepassing is.
Er is een verklaarbaar model gemaakt dat onderscheid kan maken tussen patiënten en niet-patiënten (met een precisie van 90%, en een nauwkeurigheid van 88%), maar het model moet beter worden in het onderscheiden van patiënten met pijn en patiënten met spierscheuren (precisie is nu 78%, nauwkeurigheid 63%).

Contact

• Jurriaan de Groot (LUMC)
• Tony Andrioli (lectoraat Technologie voor Gezondheidszorg) a.andrioli@hhs.nl