Miglioramento della valutazione di dolori al collo con la Data Science e il Machine Learning

Colpendo quasi due terzi della popolazione generale, che ne ha sofferto almeno una volta nella vita, il dolore al collo è un problema sanitario sempre più preoccupante. Le cause più comuni di questa condizione possono essere il colpo di frusta, un colpo alla testa o condizioni di lavoro faticose. Ad esempio, i professionisti che trascorrono molte ore curvi sul loro spazio di lavoro, come chirurghi e dentisti, soffrono spesso di dolore al collo. Anche coloro che indossano caschi protettivi pesanti, tra cui atleti, piloti di jet e vigili del fuoco, potrebbero essere a rischio.

Molte delle tecniche attualmente utilizzate dai medici per valutare le lesioni al collo presentano notevoli svantaggi, poiché si basano su osservazioni soggettive della gamma di movimento che rendono difficile valutare l'entità di una lesione o monitorarne i progressi durante la terapia. Alcune richiedono anche procedure manuali molto laboriose, che prevedono l'uso di un puntatore laser attaccato alla testa del paziente, con risultati soggettivi.

Il nostro team ha sviluppato hardware e software che aiutano a semplificare e automatizzare la valutazione clinica delle lesioni al collo con parametri oggettivi. La tecnologia, originariamente studiata presso l'Università di Reykjavík, è stata commercializzata dalla startup NeckCare. La tecnologia si basa su un casco con un'unità di misura inerziale (IMU) incorporata, insieme ad algoritmi di analisi dei dati e di Machine Learning sviluppati in MATLAB^®. Gli algoritmi elaborano i segnali provenienti dall'IMU (Figura 1) e producono metriche 3D oggettive e quantificabili sul movimento del collo. Confrontando i dati dei sensori IMU di soggetti sani con i dati di pazienti affetti, ad esempio, da colpo di frusta o commozioni cerebrali, gli algoritmi possono anche classificare con precisione i casi asintomatici e identificare i soggetti affetti da cause comuni di lesioni al collo.

Introduzione del test della farfalla

Utilizzando il casco IMU insieme a MATLAB, possiamo eseguire un'ampia gamma di valutazioni, che includono tutte e tre le principali dimensioni della cinematica umana: ampiezza del movimento, propriocezione (capacità di percepire il movimento e l'orientamento delle parti del corpo) e controllo neuromuscolare. Tra queste, le valutazioni neuromuscolari sono spesso le più preziose ai fini della diagnosi e tra le più difficili da eseguire quantitativamente con le tecniche esistenti.

Per valutare il controllo neuromuscolare di un individuo, abbiamo inventato e brevettato una procedura specializzata chiamata test farfalla. Durante questo test, un soggetto è seduto davanti al monitor di un computer e indossa il nostro casco IMU. Al soggetto viene chiesto di seguire visivamente il movimento di un punto mentre si sposta sul monitor, seguendo tre traiettorie diverse, da facile a difficile (Figura 2).

Durante il test, l'IMU misura continuamente i cambiamenti nell'orientamento della testa mentre il soggetto segue il punto in movimento (Figura 3). Nello specifico, registra gli angoli di rollio, beccheggio e imbardata 60 volte al secondo, nonché la velocità angolare della testa e l'accelerazione lungo queste dimensioni. Questi dati registrati vengono elaborati in MATLAB utilizzando tecniche statistiche e di Machine Learning.

Analisi statistica e visualizzazione

Il software che abbiamo sviluppato, e che utilizziamo MATLAB per l'analisi, è progettato per misurare oggettivamente la capacità di un soggetto di controllare la testa e il collo mentre segue il punto in movimento nel test della farfalla. Come primo passaggio, il software proietta gli angoli di rotazione catturati dall'IMU sul piano 2D coincidente con la superficie dello schermo del monitor. Utilizzando questa proiezione, il software può quindi confrontare il percorso del punto con il percorso tracciato dal soggetto del test. Sovrapponendo i tracciati di questi percorsi, è facile vedere le differenze nelle prestazioni di un soggetto di prova asintomatico e di un soggetto di prova con una lesione al collo (Figura 4).

Oltre a generare visualizzazioni, il software calcola anche diverse metriche statistiche per quantificare meglio le differenze tra soggetti asintomatici e sintomatici. Una metrica chiave è la precisione dell'ampiezza, ovvero la differenza media tra il punto bersaglio e il cursore del soggetto-controllo per l'intera durata del test. Il software calcola anche tempo-in-obiettivo, che è la percentuale di tempo in cui il cursore si trova sul bersaglio o nelle sue immediate vicinanze. Ciò include sia i sottostima che i superamenti, ovvero la percentuale di tempo trascorso rispettivamente in ritardo o in anticipo rispetto all'obiettivo. Infine, il software calcola la fluidità del movimento, un parametro che quantifica l’irregolarità, basato sull'integrazione della somma quadratica della terza derivata delle coordinate spaziali tracciate dal soggetto, normalizzata rispetto alla stessa quantità tracciata dal target. 

Le analisi condotte con il software mostrano costantemente differenze statisticamente significative tra soggetti asintomatici e soggetti con colpo di frusta per praticamente tutte le metriche calcolate, spesso con valori-P inferiori a 0,001 (Figura 5).

Classificazione del Machine Learning

Di recente abbiamo esplorato l'uso de Machine Learning per classificare i soggetti sottoposti a test in categorie asintomatici, con colpo di frusta o con commozione cerebrale in base ai risultati dei test. Utilizzando l’app Classification Learner Utilizzando in Statistics and Machine Learning Toolbox™, abbiamo addestrato una serie di modelli di Machine Learning con un set di dati composto da 15 variabili dai test a farfalla, 30 variabili dai test di ampiezza del movimento e 28 variabili dai test di riposizionamento testa/collo. Dopo aver addestrato i modelli con un set di dati limitato, abbiamo scoperto che un modello Bayesiano ingenuo funzionava meglio, classificando i soggetti con una precisione pari o prossima al 100% (Figura 6).

Abbiamo anche utilizzato le funzionalità di classificazione delle funzionalità dell'app Classification Learner per identificare le funzionalità più importanti per la classificazione (Figura 7). Grazie a questa capacità, abbiamo stabilito che le classificazioni basate solo sulle sette caratteristiche principali, ordinate mediante l'analisi della varianza o ANOVA, fornivano la stessa accuratezza delle classificazioni basate su tutte le caratteristiche (Figura 8). Stiamo ora ampliando i dati di addestramento per includere un numero molto più ampio di soggetti e stiamo anche sviluppando modelli che classificheranno ulteriormente i soggetti in base alla gravità della loro disabilità.

Applicazioni cliniche

Stiamo lavorando attivamente all'adozione clinica della nostra tecnologia, affinché i medici possano curare al meglio i pazienti con lesioni al collo. Il copricapo è attualmente registrato come dispositivo medico di Classe I presso la Food and Drug Administration statunitense. Inoltre, continuiamo a sviluppare algoritmi MATLAB per supportare un numero crescente di applicazioni software. Una di queste applicazioni riguarda la telemedicina e altre soluzioni di assistenza domiciliare, dove i pazienti potrebbero utilizzare la nostra tecnologia a casa per eseguire esercizi terapeutici. Un altro è valutare se un atleta è sufficientemente in forma per gareggiare dopo un trauma cranico. La tecnologia potrebbe anche fornire un modo per verificare le richieste di assicurazione e di invalidità presentate dai pazienti colpiti da colpo di frusta. Infine, prevediamo di estendere l'uso della nostra tecnologia oltre alle valutazioni della colonna cervicale, ad altre parti del corpo umano.