FallRiskPD

Project leader: , ,

Project members: , , , ,

Start date: 1. Januar 2018

End date: 31. Dezember 2019

Funding source: Bayerisches Staatsministerium für Wirtschaft und Medien, Energie und Technologie (StMWIVT) (ab 10/2013)

In cooperation with: UK Erlangen – Department for molecular neurology

Abstract

Die Fähigkeit zu gehen gehört zur Natur des Menschen. Eine Einschränkung dieser Fähigkeit verringert die Mobilität, die Unabhängigkeit und die damit verbundene Lebensqualität einer Person. Gleichzeitig stellen Stürze im Zusammenhang mit Gehstörungen die Hauptursache von leichten sowie schweren Verletzungen in der älteren Bevölkerung dar. Dabei können schwerste Verletzungen wie z.B. ein Hüftbruch oder ein Schädeltrauma entstehen oder im schlimmsten Fall sogar zum Tod führen. Ein erhöhtes Sturzrisiko ist ein Hauptsymptom des Parkinson Syndroms, das die betroffenen Patienten in ihrer Unabhängikeit und Mobilität beeinträchtigt.

Zur Zeit existieren noch keine validierten medizintechnischen Lösungen um ein individuelles, steigendes Sturzrisiko noch vor dem ersten Sturz einer Person zu bestimmen. Deshalb werden wir Algorithmen erforschen, die das Sturzrisiko auf der Basis von speziellen Gangmustern - erfasst durch im Schuh integrierte Inertialsensoren - vorhersagen können. Die Daten zur Auswertung spezieller Gangmuster im Zusammenhang mit einem erhöhten Sturzrisiko werden dabei mithilfe eines kontinuierlichen Langzeit-Monitoring-Systems gewonnen.

Um dieses Ziel zu erreichen werden wir drei Strategien in der Forschungs- und Entwicklungsphase verfolgen:

  1. Verwendung von speziellen Sensoren, die Gangdaten mit einer hohen biomechanischen Auflösung aufzeichnen können
  2. Entwicklung und Evaluation von Algorithmen zur Auswertung der Gangmuster mithilfe maschinellen Lernens
  3. Digitales „Biobanking“ von klinisch relevanten Gangmustern für eine individualisierte Bestimmung des Sturzrisikos

Das Ziel dieses Projekts ist es, neuartige Algorithmen auf Basis maschinellen Lernens zu erforschen, um das Sturzrisiko von Parkinson-Patienten mithilfe von kontunierlichen Gangdaten zu bestimmen. Da bestehende Algorithmen und Gangtests in der klinischen Forschung meist auf einzelne Anwendungen beschränkt sind, werden wir neue Algorithmen für ein kontinuierliches Ganganalysesystem erforschen, das mit hoher Zuverlässigkeit krankheitsspezifische Gangveränderungen erkennen wird.

Gleichzeitig arbeiten wir an einem klinischen Verständnis und validierten Daten für eine individualisierte Anwendung, was für eine spätere Medizinproduktzulassung sowie für ökonomisch relevante Technologie-Anwendungen in der Gesundheitsversorgung notwendig ist.

 

Related Publications