एखादी व्यक्ती ज्या पद्धतीने चालते, त्यातून पारंपरिक gait मोजमापांपेक्षा कितीतरी अधिक आरोग्यविषयक माहिती मिळू शकते. Nature Medicineमध्ये अहवाल देणाऱ्या संशोधकांनी त्रिमितीय कंकालीय हालचालींचे विश्लेषण करणारे foundation model विकसित केले आहे. पकडण्याची ताकद आणि झोपेची गुणवत्ता यांपासून शरीररचनेशी संबंधित मोजमापांपर्यंत विविध health phenotypesचा अंदाज लावण्यासाठी हे मॉडेल वापरले जाते.

या अभ्यासात gaitकडे केवळ एखाद्या विशिष्ट दुखापतीशी किंवा आजाराशी संबंधित लक्षण म्हणून नव्हे, तर संभाव्य multisystem vital sign म्हणून पाहिले आहे. संपूर्ण शरीराच्या हालचालींच्या learned representationमुळे मूलभूत शारीरिक वैशिष्ट्यांवरून एकट्याने काढता येणाऱ्या निष्कर्षांच्या पलीकडे अनेक आरोग्य क्षेत्रांतील अंदाज सुधारला, हा त्याचा मुख्य निष्कर्ष आहे.

पावलांच्या मोजमापांपासून movement embeddingsपर्यंत

पारंपरिक gait assessmentमध्ये cadence आणि stride length यांसारख्या engineered featuresवर बहुतेकदा अवलंबून राहावे लागते. ही मोजमापे वैद्यकीयदृष्ट्या उपयुक्त असली, तरी जटिल आणि समन्वित हालचालीला ती आधीच निश्चित केलेल्या मर्यादित चलांमध्ये रूपांतरित करतात.

नवीन पद्धतीत त्रिमितीय कंकालीय हालचालींवर प्रशिक्षित model वापरले जाते. एका single depth cameraने सहभागी व्यक्ती पाच motor tasks करत असताना त्यांची नोंद केली. या हालचालीचे रूपांतर मॉडेलने learned embeddingsमध्ये केले: कालांतराने सांधे एकत्रितपणे कसे हलतात हे टिपण्याच्या उद्देशाने तयार केलेली संख्यात्मक representations.

संशोधन datasetमध्ये सखोल phenotyped केलेले 3,328 प्रौढ सहभागी होते. 18 शारीरिक प्रणालींमध्ये पसरलेल्या 3,210 health-related phenotypesचा या movement embeddingsद्वारे अंदाज लावता येतो का, हे लेखकांनी तपासले. त्यांच्या मते, embeddingsने यापैकी 1,887 phenotypesचा लक्षणीय अंदाज वर्तवला.

वय, शरीररचना आणि आरोग्य मोजमापांचा अंदाज

अनेक प्रमुख मोजमापांचा अंदाज लावताना मॉडेलने engineered gait featuresपेक्षा चांगली कामगिरी केली. नोंदवलेले correlations वयासाठी 0.69, body mass indexसाठी 0.91 आणि visceral adipose tissue areaसाठी 0.83 होते. याचा अर्थ चालण्याची नोंद clinical testची जागा घेते असा नाही; त्याऐवजी, मॉडेलच्या movement representationमध्ये या मोजमापांशी संबंधित माहिती होती, हे यातून दिसते.

गवेषकांनी gait embeddingsच्या आधारे केलेल्या अंदाजांची तुलना age, body mass index, visceral adipose tissue आणि height वापरणाऱ्या baselineशीही केली. पेपरनुसार, movement embeddings जोडल्याने पुरुषांमध्ये सर्व 18 body systemsमध्ये आणि महिलांमध्ये 18 पैकी 17 प्रणालींमध्ये अंदाज सुधारला. Embeddingsमुळे clinical diagnoses आणि medication useच्या अंदाजातही सुधारणा झाली.

या associationsची व्याप्ती हा अभ्यासाचा सर्वात महत्त्वाचा दावा आहे. इतर लोकसंख्यांमध्ये हे निष्कर्ष प्रमाणित झाले आणि clinical workflowsमध्ये जबाबदारीने रूपांतरित केले गेले, तर एक लहान motion capture session विद्यमान assessmentsना passive आणि scalable पूरक ठरू शकते.

वेगवेगळ्या शरीरभागांनी वेगवेगळे संकेत दिले

विशिष्ट अंदाजांमध्ये शरीराच्या कोणत्या भागांचा वाटा आहे हे तपासण्यासाठी संशोधकांनी anatomical ablation analyses वापरले. Metabolic आणि frailty predictionsसाठी leg dynamics हा माहितीचा प्रमुख स्रोत होता. त्याच वेळी, torso dynamicsने sleep आणि lifestyle phenotypesशी संबंधित माहिती encode केली.

gait हे केवळ पायांचे मोजमाप नाही, या कल्पनेला हा निष्कर्ष बळकटी देतो. चालणे संतुलन, ताकद, समन्वय, शरीराची ठेवण आणि अनेक body systemsचे एकत्रित कार्य प्रतिबिंबित करते. शरीराच्या सांध्यांमधील temporal relationships जपणारे मॉडेल step count, speed किंवा stride lengthपुरते विश्लेषण मर्यादित केल्यावर हरवणारे नमुने ओळखू शकते.

एक संभाव्य passive vital sign

त्यांचे निष्कर्ष gaitला independent multisystem biosignal म्हणून स्थापित करतात आणि scalable, passive vital sign म्हणून routine clinical assessmentमध्ये त्याचे एकत्रीकरण करण्यास प्रेरणा देतात, असे लेखक म्हणतात. specialized motion-capture laboratoryऐवजी single depth camera वापरण्यात आल्याने या अभ्यासाची रचना उल्लेखनीय ठरते.

भविष्यातील संशोधनाने विविध ठिकाणी आणि लोकसंख्यांमध्ये हे निष्कर्ष निश्चित केले, तर ही सुलभता महत्त्वाची ठरू शकते. Clinics, rehabilitation programs किंवा longitudinal health studiesमध्ये standardized movement assessments यामुळे शक्य होऊ शकतात. मात्र प्रकाशित निष्कर्ष predictive relationshipsचे वर्णन करतात; standalone diagnostic toolचे नाही. प्रत्यक्ष वापरासाठी काळजीपूर्वक validation, स्पष्ट clinical thresholds आणि संवेदनशील motion व health data कसे गोळा केले व वापरले जातील याबाबत safeguards आवश्यक असतील.

सध्या, लोक कसे चालतात याकडे पाहण्याच्या वैद्यकीय युक्तिवादाचा हा अभ्यास विस्तार करतो. gaitला mobilityचा संकुचित निर्देशक मानण्याऐवजी, त्रिमितीय हालचाल संपूर्ण शरीराच्या आरोग्याकडे पाहण्याची एक खिडकी देऊ शकते, असे संशोधक दाखवतात.

This article is based on reporting by Nature Medicine. Read the original article.

Originally published on nature.com