Laborunabhängige 3D Ganganalyse bei Zerebralparese

Die Cerebralparese (auch als Zerebralparese abgekürzt) ist eine Bewegungsstörung, die durch eine frühkindliche Schädigung des Gehirns verursacht wird. Sie wirken sich hauptsächlich auf die motorische Kontrolle aus. Menschen mit CP haben oft Schwierigkeiten beim Gehen mit deutlichen Abweichungen zur Norm. Zu den häufigsten Symptomen gehören erhöhte Muskelspannung (Spastik), niedrige Grundspannung, die zielsichere Bewegung erschwert (Ataxie) und wechselnde Muskelspannung mit unkontrollierten Bewegungen z.B. der Arme (Atheose). Die Therapie von CP ist facettenreich und umfasst eine Kombination aus konservativen und operativen Maßnahmen. Dazu gehören Physiotherapie, Ergotherapie, Medikamente und orthopädische Eingriffe. Für die medizinische Entscheidungsfindung ist die klinische 3D Gang- und Bewegungsanalyse ein wesentliches Instrument, um die bestmögliche Versorgung der Betroffenen zu gewährleisten. Ein großer Nachteil der instrumentierten 3D Ganganalyse liegt allerdings darin, dass sie zurzeit nur wenigen Institutionen zur Verfügung steht. Dies liegt vor allem daran, dass die klinische instrumentierte 3D Ganganalyse auf teure und komplexe Motion-Capture Hardware angewiesen ist und entsprechend nur in speziell ausgestatteten Laboren mit entsprechend geschultem Personal durchgeführt werden können. Damit möglichst viele Patient*innen von diesen Technologien für ihre medizinische Behandlung profitieren können, benötigt es kostengünstige und benutzerfreundliche Alternativen. Die enormen Fortschritte im Bereich von Deep Learning und Computer Vision haben in den letzten Jahren zu neuen Technologien geführt, die basierend auf simplen Videoaufnahmen, z.B. durch Smartphones, 3D Bewegungsanalysen ermöglichen. Diese sogenannten markerlosen Motion Capture Technologien zeigen vielversprechendes Potenzial für kostengünstige und laborunabhängige Ganganalysen. Ihre Genauigkeit und Zuverlässigkeit bei Personen mit CP müssen jedoch noch gründlich untersucht werden. Dieses Projekt zielt darauf ab, diese Lücke durch eine umfassende Studie zu schließen, die gleichzeitige die Validität und Reliabilität eines solchen kostengünstigen markerlosen Bewegungsanalysesystems für die Ganganalyse untersucht. Konkret wird das unlängst von Stanford entwickelte markerless Motion Capture System OpenCap (www.opencap.ai) untersucht. OpenCap kombiniert simple Smartphonetechnologie mit Cloudcomputing und einer einfachen Webanwendung und ermöglicht 3D Bewegungsanalysen ohne teure Hardware. Die gewonnenen Daten im Projekt werden außerdem genutzt, um die zugrunde liegenden Pose-Estimation-Algorithmen von OpenCap darauf zu trainieren, die Bewegungen in den CP-spezifischen Videodaten mit höherer Präzision zu erkennen. Um zu prüfen, ob die optimierten Pose-Estimation-Algorithmen tatsächlich bessere Ergebnisse liefern, werden die Analysen mit diesen Modellen wiederholt.