データサイエンスと機械学習で頸部損傷評価を改善

一般の人々の約 3 分の 2 が一生のうちに少なくとも一度は経験するといわれている首の痛みは、ますます増大する健康管理上の懸念事項となっています。この症状の一般的な原因としては、むち打ち症、頭部への打撃、過酷な労働条件などが挙げられます。たとえば、外科医や歯科医など、長時間職場で背中をかがめて仕事をする専門家は、首に痛みを感じることがよくあります。アスリート、ジェット機のパイロット、消防士など、重い保護ヘルメットを着用する人も危険にさらされる可能性があります。

臨床医が現在頸部損傷を評価するために使用している技術の多くは、主観的な可動域の観察に依存しているため、損傷の程度を測ったり、治療中に進行状況を追跡したりすることが困難であり、大きな欠点があります。また、患者の頭部にレーザーポインターを取り付けて主観的な結果を生成する、手間のかかる手動の手順を必要とするものもあります。

私たちのチームは、客観的な指標を使用して頸部損傷の臨床評価を簡素化して自動化するハードウェアとソフトウェアを開発しました。この技術はもともとレイキャビク大学で研究され、スタートアップ企業 NeckCare で商品化されました。この技術は、慣性計測装置 (IMU) を組み込んだヘッドギアと、MATLAB^® で開発されたデータ分析と機械学習アルゴリズムに依存しています。アルゴリズムは IMU (図 1) からの信号を処理し、首の動きに関する客観的で定量化可能な 3D メトリックを生成します。健康な被験者の IMU センサーデータと、むち打ち症や脳震盪などを患っている患者のデータを比較することで、アルゴリズムは無症状の症例を正確に分類し、頸部損傷によくある原因に悩む患者を特定することもできます。

バタフライテストの導入

IMU ヘッドギアを MATLAB とともに使用することで、人間の運動学の 3 つの主要な側面である可動範囲、固有受容覚 (身体の各部の動きと方向を感知する能力)、神経筋制御をすべて網羅したさまざまな評価を実行できます。これらのうち、神経筋の評価は診断において最も価値があることが多いですが、既存の技術では定量的に実施するのが最も難しいものの 1 つです。

個人の神経筋制御を評価するために、私たちはバタフライテストという特別な手法を発明し、特許を取得しました。このテスト中、被験者は IMU ヘッドギアを装着してコンピューター モニターの前に座ります。被験者は、モニター上で点が動く様子を、易しいものから難しいものまで 3 つの異なる軌跡に沿って目で追跡するように指示されます (図 2)。

テスト中、被験者が移動する点を追跡するときに、IMU は頭の向きの変化を継続的に測定します (図 3)。具体的には、ロール、ピッチ、ヨーの角度を 1 秒間に 60 回記録し、さらにこれらの次元全体にわたるヘッドの角速度と加速度も記録します。この記録されたデータは、統計および機械学習の技術を使用して MATLAB で処理されます。

統計解析と可視化

私たちが開発し、MATLAB を使用して分析するソフトウェアは、バタフライテストで移動する点を追跡する被験者の頭部と頸部を制御する能力を客観的に測定するように設計されています。最初のステップとして、ソフトウェアは IMU によってキャプチャされた回転角度を、モニターの画面の表面と一致する 2D 平面に投影します。この投影を使用して、ソフトウェアは点の軌跡を被験者が描いた軌跡と比較できます。これらの経路を重ねてプロットすると、無症状の被験者と頸部負傷のある被験者のパフォーマンスの違いが簡単にわかります (図 4)。

このソフトウェアは、可視化を生成するだけでなく、無症状の被験者と症状のある被験者の違いをより正確に定量化するために、いくつかの統計指標も計算します。重要な指標は振幅精度で、これはテスト時間全体にわたるターゲット ドットと被験者コントロール カーソル間の平均差です。ソフトウェアはまた、ターゲットを捉えた時間 (time-on-target) を計算します。これは、カーソルがターゲット上またはその近くにある時間の割合です。これには、アンダーシュートとオーバーシュート (それぞれ目標より遅れている時間または目標より進んでいる時間の割合) の両方が含まれます。最後に、ソフトウェアは動きの滑らかさ (smoothness of movement) を計算します。このパラメーターは被験者がたどった空間座標の 3 次導関数の二次和の積分に基づいて、ターゲットがたどった際の特性と比較してぎこちなさの度合いを定量化します。 

ソフトウェアで実施された分析では、計算された指標のほぼすべてにおいて、無症状の被験者とむち打ち症の被験者の間に、統計的に一貫した大きな差が見られ、しばしば、 p 値が 0.001 未満となっています (図5)。

機械学習による分類

私たちは最近、テスト結果に基づいて被験者を無症状、むち打ち症、脳震盪のカテゴリーに分類するための機械学習の使用を検討しています。Statistics and Machine Learning Toolbox™ の分類学習器アプリを使用して、バタフライテストからの 15 個の変数、可動域テストからの 30 個の変数、および頭部/頸部の再配置テストからの 28 個の変数で構成されるデータ セットを用いて、さまざまな機械学習モデルを学習させました。限られたデータセットでモデルを学習させた結果、単純ベイズモデルが最も効果的で、対象を 100% またはそれに近い精度で分類できることがわかりました (図 6)。

また、分類学習器アプリの特徴ランク付け機能を使用して、分類に最も重要な特徴を特定しました (図 7)。この機能により、分散分析 (ANOVA) を使用してランク付けされた上位 7 つの特徴のみに基づく分類が、すべての特徴に基づく分類と同じ精度を提供することがわかりました (図 8)。現在、私たちは学習データを拡張してより多くの被験者を対象にしており、また、障害の重症度に応じて被験者をさらに分類するモデルも開発しています。

臨床応用

私たちは、医師が頸部に損傷を負った患者をより適切に治療できるように、この技術の臨床導入に積極的に取り組んでいます。このヘッドギアは現在、米国食品医薬品局にクラス I 医療機器として登録されています。さらに、私たちは増加するソフトウェア アプリケーションをサポートするために MATLAB アルゴリズムの開発を続けています。こうしたアプリケーションの 1 つは遠隔医療やその他の在宅医療ソリューションであり、患者は自宅でこの技術を使用して治療体操を行うことができます。もう 1 つは、アスリートが頭部の負傷後に競技に参加できるほど健康であるかどうかを評価することです。この技術は、むち打ち症患者からの保険金や障害補償の請求を検証する手段になるかもしれません。最後に、私たちは頸椎の評価だけでなく、人体の他の部位にこの技術の使用を拡大することを計画しています。