Toward Mobile Monitoring of Joint Loading and Movement Quality in People with Degenerative Hip and Knee Disorders

Abstract

Osteoarthritis (OA) is a complex, common musculoskeletal disorder and a leading cause of disability in the elderly. Since physical activity and sports have been shown to reduce pain, improve function, increase joint stability and muscle strength in people with OA, blended care programs have been developed that focus on the self-management of physical activity. Most have concentrated on macro-outcomes (the quantity); however, objective quality measures (i.e., micro-outcomes) are not considered. Therefore, there are opportunities to incorporate both macro-outcomes in the form of activity levels and micro-outcomes in the form of joint loading and movement quality in OA rehabilitation to obtain a measure of “how” someone is moving. By incorporating both macro-and micro-outcomes, a more holistic view of the person’s functioning can be achieved. Therefore, this Ph.D. aims to design and evaluate a blended care application for monitoring the functional status and movement quality of people with hip or knee osteoarthritis and after total knee arthroplasty (TKA). Three objectives have been defined to reach the overreaching aim. 1) Design and evaluate the user interface of a smartphone app and clinical dashboard that allows for monitoring functional status in people with OA. 2) Establish a classification method to differentiate people with OA from control subjects using movement-related data and machine learning. After that, we aim to establish the methods’ sensitivity to changes in biomechanics post-TKA, exploring both marker-based and inertial measurement-based (IMU) motion capture. 3) Evaluate which movement quality parameters derived from a single IMU are sensitive to gait changes in people with OA and after a TKA. First, we designed and evaluated a novel blended care programme called JOLO (Joint Load) for people with OA and health care professionals working with this patient population (chapter 3). JOLO combines activity recognition in a free-living situation with lab acquired joint contact force information. To design-evaluate-redesign JOLO, we incorporated a user-centred iterative design process to procure invaluable information during the evaluation process. The latest prototype taught us that end-users find JOLO promising; they are interested in receiving objective information on activity levels, and mostly, in receiving information on joint loading. However, we also learned valuable lessons regarding further technological improvements, like improvements in the activity recognition and the creation of even better personalised joint loading, that JOLO needs to undergo before it is ready to be implemented into a clinical setting. Second (chapter 4), we used a machine learning pipeline to train a logistic regression model with pre-operative marker-based motion capture data as input parameters. We considered three classes of statistical models with different levels of data complexity: Class 1) kinematics based only (clinically applicable), class 2) including joint moments (semi clinically applicable), and class 3) advanced musculoskeletal modelling (not clinically applicable). In total, we trained and tested 54 different classification models: hipOA-vs-Asymptomatic and kneeOA-vs-Asymptomatic, for nine exercises, with three levels of processing complexity of the input data. We found that joint kinematics alone could classify people with either hip or knee OA from control subjects with high accuracy, indicating that the classification model might be clinically applicable. In both cases, data collected during ascending stairs was most accurate (93.9% classification accuracy) to distinguish people with hip OA from asymptomatic controls and people with knee OA from controls (100% classification accuracy). Next (chapter 5), we used the three best classifiers (ascending stairs, descending stairs, and level walking) to explore whether the logistic regression model can monitor biomechanical changes post-TKA using IMU-based motion capture data. We calculated each individual’s probability of belonging to the OA class on five evaluation moments (pre-op, six weeks, three-, six- and 12-months post-TKA). The model’s ability to monitor biomechanical changes depends on the activity and the data used to develop the classification model. Level walking, but not ascending or descending stairs, was sensitive when early post-operative data (6 weeks) was used to create the model. We furthermore found a moderate to strong negative correlation between the probability of belonging to the OA class with patient-reported functioning in 66.7% of our participants. Indicating that for most people, if they improved in patientreported functioning, the likelihood of being in the OA class based on their movement characteristics decreased. However, an excellent score on patient-reported functioning did not necessitate being classified as asymptomatic and vice versa. In conclusion, we found that individuals can be accurately classified within a patient group using only joint kinematics. Moreover, we found that the probabilistic outcome of the logistic regression model was able to monitor a person’s recovery status post-TKA when early post-op data is used to train the model. As such, this methodology is also helpful for evaluating biomechanical progress in general and can be used as a screening tool for people in need of further analysis/treatment. Third (chapter 6), we used a single trunk worn accelerometer during level walking to assess the movement quality in people with either hip or knee OA and a group of asymptomatic controls. We followed people with knee OA at four timepoints post-TKA (six weeks, three-, six and 12-months). Gait symmetry, dynamic stability, complexity, and smoothness were calculated from the tilt corrected vertical, medio-lateral, and anterior-posterior acceleration signals. We found that a single trunk worn accelerometer captured differences in the gait pattern of people with either hip or knee OA compared to asymptomatic control subjects, where people with either hip or knee OA have a more asymmetrical gait pattern. Additionally, people with knee OA showed a more rigid gait pattern as quantified by a decrease in the short-term maximum Lyapunov exponent. Moreover, we found that movement symmetry, stability, and complexity captured biomechanical changes post-TKA. We see a trend towards a decrease in movement quality at six weeks post-OP that normalises—to levels seen in asymptomatic controls—for gait symmetry, but not for dynamic stability nor complexity. We found some moderate correlations between improvements in patient-reported functioning and improvements in gait symmetry, stability, and complexity, suggesting that these parameters could identify treatment targets (e.g., improve stability). In general, it is hard to obtain biomechanical measurements within a clinical setting. Fortunately, the combination of technological improvements in wearable sensor technology and advanced statistical models provide new avenues to assess people in a clinical setting. This Ph.D. provide scientific evidence for the prospects of data informed personalised rehabilitation.

Osteoartrose (OA) is een complexe, veel voorkomende aandoening van het bewegingsapparaat en een belangrijke oorzaak van invaliditeit bij ouderen. Aangezien is aangetoond dat fysieke activiteit en sport de pijn vermindert, de functie verbetert en de stabiliteit van de gewrichten en de spierkracht vergroot bij mensen met OA, zijn er blended care programma’s ontwikkeld die zich richten op het zelf-management van fysieke activiteit. De meeste programma’s hebben zich geconcentreerd op macro-uitkomsten (de kwantiteit); objectieve kwaliteitsmetingen (d.w.z. micro-uitkomsten) zijn echter buiten beschouwing gelaten. Daarom zijn er mogelijkheden om zowel macro-uitkomsten in de vorm van activiteitenniveaus als micro-uitkomsten in de vorm van gewrichtsbelasting en bewegingskwaliteit in OA revalidatie op te nemen om een maat te verkrijgen van “hoe” iemand beweegt. Door zowel macro- als microuitkomsten te integreren kan een meer holistisch beeld van het functioneren van de persoon worden verkregen. Daarom heeft dit doctoraat tot doel een blended care applicatie te ontwerpen en te evalueren voor het monitoren van de functionele status en bewegingskwaliteit van mensen met heup- of knieartrose en na totale knieartroplastie (TKA). Om het overkoepelende doel te bereiken zijn drie doelstellingen gedefinieerd. 1) Het ontwerpen en evalueren van de gebruikersinterface van een smartphone app en klinisch dashboard dat toelaat de functionele status bij mensen met OA te volgen. 2) Opstellen van een classificatiemethode om mensen met OA te onderscheiden van controlepersonen met behulp van beweeg data en machine learning. Daarna willen we de gevoeligheid van de methode bepalen voor veranderingen in biomechanica na TKA, waarbij we zowel marker-gebaseerde als inertial measurment units gebaseerde (IMU) bewegingsopnames onderzoeken. 3) Evalueren welke bewegingskwaliteitsparameters, afgeleid van een enkele IMU, gevoelig zijn voor gangveranderingen bij mensen met OA en na een TKA. Ten eerste hebben we een nieuw blended care programma genaamd JOLO (Joint Load) ontworpen en geëvalueerd voor mensen met OA en zorgprofessionals die met deze patiëntenpopulatie werken (hoofdstuk 3). JOLO combineert activiteitenherkenning in een vrij-leven situatie met in het lab verkregen gewrichts-kracht informatie. Om JOLO te ontwerpen, evalueren en herontwerpen, hebben we een gebruikersgericht iteratief ontwerpproces toegepast om waardevolle informatie te verkrijgen tijdens het evaluatieproces. Het laatste prototype leerde ons dat eindgebruikers JOLO veelbelovend vinden; zij zijn geïnteresseerd in het ontvangen van objectieve informatie over activiteitsniveaus, en vooral in het ontvangen van informatie over gewrichtsbelasting. We hebben echter ook waardevolle lessen geleerd met betrekking tot verdere technologische verbeteringen, zoals verbeteringen in de activiteitenherkenning en het creëren van een nog betere gepersonaliseerde gewrichtsbelasting, die JOLO nog moet ondergaan voordat het klaar is voor implementatie in een klinische setting. Ten tweede (hoofdstuk 4) hebben we een machine learning pipeline gebruikt om een logistisch regressiemodel te trainen met preoperatieve marker-gebaseerde bewegingsregistratiegegevens als invoerparameters. We beschouwden drie klassen van statistische modellen met verschillende niveaus van data complexiteit: Klasse 1) alleen gebaseerd op kinematica (klinisch toepasbaar), klasse 2) inclusief gewrichtsmomenten (semi klinisch toepasbaar), en klasse 3) geavanceerde musculoskeletale modellering (niet klinisch toepasbaar). In totaal trainden en testten wij 54 verschillende classificatiemodellen: heupOA-vs-Asymptomatisch en knieOA-vs-Asymptomatisch, voor negen oefeningen, met drie niveaus van complexiteit van de invoergegevens. Wij vonden dat kinematica alleen al, met hoge nauwkeurigheid mensen met heup- of knie-OA konden onderscheiden van controlepersonen, wat erop wijst dat het classificatiemodel klinisch toepasbaar zou kunnen zijn. In beide gevallen waren de gegevens, verzameld tijdens het oplopen van de trap, het meest nauwkeurig (93.9% classificatienauwkeurigheid) om mensen met heup OA te onderscheiden van asymptomatische controles en mensen met knie OA te onderscheiden van controles (100% classificatienauwkeurigheid). Vervolgens (hoofdstuk 5) gebruikten we de drie activiteiten die het beste classificeerde (oplopende trap, aflopende trap, en vlak lopen) om te onderzoeken of het logistische regressiemodel biomechanische veranderingen na de TKA kan monitoren met behulp van IMU-gebaseerde bewegingsregistratie. We berekenden van elk individu de waarschijnlijkheid om tot de OA-klasse te behoren op vijf evaluatiemomenten (preoperatief, zes weken, drie, zes en twaalf maanden na de TKA). Het vermogen van het model om biomechanische veranderingen te volgen, hangt af van de activiteit en de gegevens die gebruikt zijn om het classificatiemodel te ontwikkelen. Wandelen, maar niet trapoplopen of -aflopen, was in staat om voor opvolging gebruikt te worden wanneer vroege postoperatieve kinematica (6 weken) werden gebruikt om het model te ontwikkelen. Verder vonden we een matige tot sterke negatieve correlatie tussen de waarschijnlijkheid om tot de OA-klasse te behoren en het door de patiënt gerapporteerde functioneren bij 66,7% van onze deelnemers. Dit geeft aan dat voor de meeste mensen, als zij verbeterden in het door de patiënt gerapporteerde functioneren, de waarschijnlijkheid om in de OA-klasse te vallen op basis van hun bewegingskenmerken, afnam. Echter, een uitstekende score op patiënt-gerapporteerd functioneren betekende niet dat men als asymptomatisch zou worden geclassificeerd en vice versa. Concluderend stelden wij vast wij dat individuen accuraat kunnen worden ingedeeld binnen een patiëntengroep door alleen kinematica te gebruiken. Bovendien vonden we dat de probabilistische uitkomst van het logistische regressiemodel het mogelijk maakt om de herstelstatus van een persoon na de TKA te volgen wanneer vroege postoperatieve IMU-gebaseerde kinematica worden gebruikt om het model te trainen. Als zodanig is deze methodologie ook nuttig voor het evalueren van biomechanische vooruitgang in het algemeen en daarnaast kan in een klinische setting worden gebruikt als een screeningsinstrument voor mensen die behoefte hebben aan verdere analyse/behandeling. Ten derde (hoofdstuk 6), gebruikten we een enkele IMU die op de onderrug werd gedragen tijdens wandelen om de bewegingskwaliteit te beoordelen bij een groep mensen met heup- of knie OA en een groep asymptomatische controles. We volgden mensen met knie-OA op vier tijdstippen na de TKA (zes weken, drie, zes en twaalf maanden). Loopsymmetrie, dynamische stabiliteit, complexiteit en vloeiendheid werden berekend op basis van de helling gecorrigeerde verticale, medio-laterale en anterieur-posterieure versnellingssignalen. We ontdekten dat een enkele versnellingsmeter op de onderrug verschillen vastlegde in het looppatroon van mensen met heup- of knie-OA in vergelijking met asymptomatische controlepersonen, waarbij mensen met heup- of knie-OA een meer asymmetrisch looppatroon hebben. Bovendien vertoonden mensen met knie-OA een meer rigide looppatroon, gekwantificeerd door een daling van de maximale Lyapunov exponent op korte termijn. Bovendien stelden we vast we dat bewegingssymmetrie, -stabiliteit en -complexiteit de biomechanische veranderingen na de TKA kan bepalen. We zien een trend naar een afname in bewegingskwaliteit bij zes weken na de operatie, die normaliseert naar het niveau van asymptomatische controles voor loopsymmetrie, maar niet voor dynamische stabiliteit of complexiteit. We vonden enkele matige correlaties tussen verbeteringen in het door de patiënt gerapporteerde functioneren en verbeteringen in loopsymmetrie, stabiliteit en complexiteit, wat suggereert dat deze parameters behandelingsdoelen zouden kunnen identificeren (bv. stabiliteit verbeteren). In het algemeen is het moeilijk om biomechanische metingen binnen een klinische setting te verkrijgen. Gelukkig biedt de combinatie van technologische verbeteringen in draagbare sensortechnologie en geavanceerde statistische modellen nieuwe mogelijkheden om mensen in een klinische setting te beoordelen. Daarom kunnen data mogelijk gebruikt worden om revalidatietrajecten te personaliseren, en dit doctoraat draagt bij tot die visie.