DOI: https://doi.org/10.3390/s25041095
PMID: https://pubmed.ncbi.nlm.nih.gov/40006323
تاريخ النشر: 2025-02-12
المؤلف: Emma Poizat وآخرون
الموضوع الرئيسي: البحث الطبي البيطري في الخيول
نظرة عامة
تبحث هذه الدراسة في استخدام آلة الدعم المتجه (SVM) للكشف عن العرج في الخيول، مع التركيز على تحديد الطرف المتأثر أثناء الجري في خط مستقيم. استخدمت الدراسة بيانات من وحدات القياس القابلة للحركة (IMUs) الموضوعة على رأس الحصان، والكتف، والحوض، مع تحليل متغيرات مثل الإزاحة الرأسية وزوايا التراجع. تم تقييم ما مجموعه 287 حصانًا، حيث أظهر 256 منها عرجًا في طرف واحد و31 تم تصنيفها على أنها سليمة. حقق نموذج SVM دقة إجمالية بلغت 86%، مع معدلات نجاح عالية بشكل خاص لعرج الطرف الأمامي الأيمن والأيسر، بينما تم التعرف على الخيول السليمة بدقة 54.8% فقط. تم ملاحظة تصنيف خاطئ بين عرج الطرف الأمامي والخلفي، مما يبرز الحاجة إلى متغيرات محددة مثل الإزاحة الرأسية للرأس والكتف لتحسين التصنيف.
تخلص الدراسة إلى أن طريقة SVM تتنبأ بفعالية بالعرج في الخيول، محققة دقة تزيد عن 91% لعرج الطرف الأمامي الأيمن، والطرف الأمامي الأيسر، والطرف الخلفي الأيسر، ولكن فقط 76.9% لعرج الطرف الخلفي الأيمن. لا يزال التحدي قائمًا في التعرف بدقة على الخيول السليمة، مما يبرز أهمية متغيرات الرأس والكتف في النموذج. تعترف الدراسة بحدود استبعاد الخيول ذات العرج المتعدد الأطراف وتقترح أن العمل المستقبلي يجب أن يستكشف تقنيات التعلم العميق وتقليل متطلبات المستشعرات لتسهيل دمج هذه الأنظمة التنبؤية في معدات الفروسية للكشف المبكر عن مشاكل الحركة.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة لتقييمات العرج في ممارسة الطب البيطري للخيول، مما يبرز قيود التقييمات البصرية التقليدية، التي يمكن أن تكون ذات طابع شخصي وتحديًا، خاصة في الحالات الخفيفة. تؤكد الفجوة في قدرات الكشف بين الممارسين ذوي الخبرة والمبتدئين على الحاجة إلى تحسين أدوات التشخيص. يعد التعرف المبكر على الشذوذات الحركية أمرًا حاسمًا لرفاهية الحيوان، مما يدفع لاستكشاف وحدات القياس القابلة للحركة (IMUs) لتوفير بيانات موضوعية لتقييم العرج. بينما أظهرت IMUs موثوقية، لا تزال تعقيدات تفسير البيانات عقبة كبيرة، مما يستلزم طرقًا آلية لتصنيف المشي وتحديد الطرف المتأثر.
أثبتت الدراسات السابقة عتبات عدم التماثل للكشف عن العرج بناءً على الإزاحات الرأسية للرأس، والحوض، والكتف، مع درجات متفاوتة من الحساسية والخصوصية. ومع ذلك، غالبًا ما تعتمد هذه الأساليب على قياسات فردية، والتي قد لا تميز بشكل كافٍ بين الخيول السليمة والمريضة. تظهر التطورات الحديثة في التعلم الآلي، وخاصة آلات الدعم المتجه (SVM)، وعدًا في تعزيز دقة التصنيف في تحليل مشي الخيول. تهدف هذه الدراسة إلى تطوير نظام تنبؤي يستخدم SVM لتحليل متغيرات متعددة، بما في ذلك الإزاحات الرأسية ومعلمات المشي الإضافية، لتمييز بفعالية بين أنواع مختلفة من العرج في الخيول التي تجري في خط مستقيم.
طرق البحث
استخدمت الدراسة تصميمًا سريريًا ملاحظًا بأثر رجعي، والذي تم الموافقة عليه من قبل لجنة أخلاقيات البحث السريري (ComERC) تحت رقم الموافقة 2022-01-19. يسمح هذا الإطار المنهجي بتحليل البيانات السريرية الموجودة لاستخلاص رؤى واستنتاجات بشأن الأسئلة البحثية المطروحة. تؤكد الموافقة الأخلاقية الالتزام بالامتثال للإرشادات المعمول بها لإجراء الأبحاث التي تشمل البشر.
النتائج
في هذه الدراسة، تم جمع البيانات من عينة من 287 حصانًا، والتي شملت 127 فرسًا، و132 حصانًا مخصيًا، و28 حصانًا، بمتوسط عمر 9.3 سنوات (± 3.7 سنوات). من بين هؤلاء، أظهر 256 حصانًا عرجًا، وتفصيل توزيع العرج عبر الأطراف الأربعة، إلى جانب شدته، موجود في الجدول 2. يوفر هذا التحليل الوصفي فهمًا أساسيًا للسكان المدروسين ويسلط الضوء على انتشار وخصائص العرج في العينة.
المناقشة
في هذه الدراسة، تم تقييم ما مجموعه 287 حصانًا لتقييم الحركة في عيادة الخيول (CIRALE) في فرنسا بين أبريل 2019 وفبراير 2023. تم تصنيف الخيول إلى خمس مجموعات بناءً على عرجها: الطرف الأمامي الأيمن (RF)، الطرف الأمامي الأيسر (LF)، الطرف الخلفي الأيمن (RH)، الطرف الخلفي الأيسر (LH)، والسليم. كانت نتيجة مهمة هي أن 256 حصانًا تم التعرف عليها على أنها تعاني من العرج، حيث أظهر الغالبية درجات عرج تتراوح بين 2/10 و7/10 على مقياس من 11 نقطة. استخدمت الدراسة نظام EQUISYM®، الذي يستخدم سبع وحدات قياس قابلة للحركة (IMUs) لجمع البيانات حول حركات الخيول أثناء الجري. تمت معالجة البيانات لحساب مؤشرات عدم التماثل (AsI) وميزات أخرى، والتي تم تحليلها بعد ذلك باستخدام نموذج آلة الدعم المتجه (SVM) لتصنيف الخيول بدقة.
حقق نموذج SVM دقة إجمالية بلغت 86%، مع معدلات دقة عالية بشكل خاص لعرج RF وLF وLH (أكثر من 91%). ومع ذلك، واجه النموذج صعوبة في التنبؤ بالخيول السليمة، محققًا دقة 54.8% فقط، مما يشير إلى تحديات في تمييز عدم التماثل الفسيولوجي عن العرج الحقيقي. سلطت الدراسة الضوء على أهمية بيانات حركة الرأس والكتف في تحديد العرج، بينما ساهمت بيانات الحوض أقل مما كان متوقعًا. تشير النتائج إلى أنه بينما يكون النموذج فعالًا في تصنيف العرج، هناك حاجة إلى مزيد من البحث لتحسين دقته، خاصة بالنسبة للخيول السليمة وعرج الأطراف الخلفية. يجب أن تستكشف الدراسات المستقبلية طرق التعلم العميق لتعزيز أنظمة التصنيف الآلي للكشف المبكر عن الشذوذات الحركية في الخيول.
القيود
تظهر الدراسة أن آلة الدعم المتجه يمكن أن تميز بفعالية بين أنواع مختلفة من العرج (RF، LF، RH، وLH) والخيول السليمة، محققة دقة عالمية تبلغ 86% في الخيول التي تجري في خط مستقيم. ومع ذلك، تتطلب خصوصية النموذج تحسينًا لتقليل الإيجابيات الكاذبة بين الخيول السليمة، مما يبرز الحاجة إلى تعريفات سريرية أوضح للسليمة. تقتصر هذه الأبحاث على العرج في طرف واحد وتعتبر خطوة أولية نحو تطوير نظام تنبؤي يمكن أن يشير إلى احتمال العرج بدقة أكبر.
تشمل اتجاهات البحث المستقبلية استكشاف تقنيات التعلم الآلي البديلة وتحسين طرق إدخال البيانات لتبسيط متطلبات المستشعرات. إن دمج هذه الأنظمة في معدات الفروسية هو هدف طويل الأمد، يهدف إلى توفير تنبيهات في الوقت الحقيقي للفرسان. بالإضافة إلى ذلك، قد يؤدي استخدام بيانات الإشارة الخام بدلاً من الميزات المجمعة إلى الحفاظ على المعلومات الزمنية الحرجة وتسهيل التطبيق الأوسع عبر سياقات مختلفة. قد تكون أساليب التعلم العميق، التي تتطلب مجموعات بيانات أكبر، مفيدة بشكل خاص إذا تم دمج المزيد من حالات عرج الأطراف الخلفية والخيول السليمة في قاعدة البيانات، مما يمهد الطريق لتوقع الطرف المريض بشكل أكثر فعالية.
DOI: https://doi.org/10.3390/s25041095
PMID: https://pubmed.ncbi.nlm.nih.gov/40006323
Publication Date: 2025-02-12
Author(s): Emma Poizat et al.
Primary Topic: Veterinary Equine Medical Research
Overview
This research investigates the use of a support vector machine (SVM) for detecting lameness in horses, focusing on identifying the affected limb during straight-line trotting. The study utilized data from inertial measurement units (IMUs) positioned on the horse’s head, withers, and pelvis, analyzing variables such as vertical displacement and retraction angles. A total of 287 horses were assessed, with 256 exhibiting single-limb lameness and 31 classified as sound. The SVM model achieved an overall accuracy of 86%, with particularly high success rates for right and left forelimb lameness, while sound horses were identified with only 54.8% accuracy. Misclassification between forelimb and hindlimb lameness was also noted, emphasizing the need for specific variables like vertical head and withers displacement for improved classification.
The study concludes that the SVM method effectively predicts lameness in horses, achieving over 91% accuracy for right forelimb, left forelimb, and left hindlimb lameness, but only 76.9% for right hindlimb lameness. The challenge remains in accurately identifying sound horses, highlighting the importance of head and withers variables in the model. The research acknowledges the limitation of excluding horses with multi-limb lameness and suggests that future work should explore deep learning techniques and reduce sensor requirements to facilitate the integration of these predictive systems into equestrian equipment for early detection of locomotor issues.
Introduction
The introduction highlights the increasing importance of lameness evaluations in equine veterinary practice, emphasizing the limitations of traditional visual assessments, which can be subjective and challenging, particularly for mild cases. The disparity in detection abilities between experienced and novice practitioners underscores the need for improved diagnostic tools. Early identification of locomotor abnormalities is critical for animal welfare, prompting the exploration of inertial measurement units (IMUs) to provide objective data for lameness assessment. While IMUs have demonstrated reliability, the complexity of data interpretation remains a significant hurdle, necessitating automated methods for classifying gait and identifying the affected limb.
Previous studies have established asymmetry thresholds for detecting lameness based on vertical displacements of the head, pelvis, and withers, with varying degrees of sensitivity and specificity. However, these approaches often rely on single measurements, which may not adequately differentiate between sound and lame horses. Recent advancements in machine learning, particularly support vector machines (SVM), show promise for enhancing classification accuracy in equine gait analysis. This study aims to develop a predictive system that utilizes SVM to analyze multiple variables, including vertical displacements and additional gait parameters, to effectively distinguish between different types of lameness in horses trotting in a straight line.
Methods
The study employed a retrospective clinical observational design, which was sanctioned by the Clinical Research Ethics Committee (ComERC) under approval number 2022-01-19. This methodological framework allows for the analysis of existing clinical data to draw insights and conclusions regarding the research questions posed. The ethical approval underscores the commitment to adhering to established guidelines for conducting research involving human subjects.
Results
In this study, data were collected from a sample of 287 horses, which included 127 mares, 132 geldings, and 28 stallions, with an average age of 9.3 years (± 3.7 years). Among these, 256 horses exhibited lameness, and the distribution of lameness across the four limbs, along with its severity, is detailed in Table 2. This descriptive analysis provides a foundational understanding of the population studied and highlights the prevalence and characteristics of lameness in the sample.
Discussion
In this study, a total of 287 horses were evaluated for locomotor assessment at the Equine Clinic (CIRALE) in France between April 2019 and February 2023. The horses were classified into five groups based on their lameness: right forelimb (RF), left forelimb (LF), right hindlimb (RH), left hindlimb (LH), and sound. A significant finding was that 256 horses were identified as lame, with the majority exhibiting lameness grades between 2/10 and 7/10 on an 11-point scale. The study utilized the EQUISYM® system, which employs seven wireless inertial measurement units (IMUs) to collect data on the horses’ movements during trotting. The data were processed to calculate asymmetry indices (AsI) and other features, which were then analyzed using a support vector machine (SVM) model to classify the horses accurately.
The SVM model achieved an overall accuracy of 86%, with particularly high accuracy rates for RF, LF, and LH lameness (over 91%). However, the model struggled with predicting sound horses, achieving only 54.8% accuracy, indicating challenges in distinguishing physiological asymmetry from true lameness. The study highlighted the importance of head and withers movement data in identifying lameness, while pelvis data contributed less than expected. The findings suggest that while the model is effective in classifying lameness, further research is needed to improve its accuracy, particularly for sound horses and hindlimb lameness. Future studies should explore deep learning methods to enhance automated classification systems for early detection of locomotor anomalies in horses.
Limitations
The study demonstrates that a support vector machine can effectively distinguish between various types of lameness (RF, LF, RH, and LH) and sound horses, achieving a global accuracy of 86% in horses trotting in a straight line. However, the specificity of the model requires enhancement to minimize false positives among sound horses, highlighting the need for clearer clinical definitions of soundness. This research is limited to single-limb lameness and serves as an initial step toward developing a predictive system that could indicate the probability of lameness with greater accuracy.
Future research directions include exploring alternative machine learning techniques and optimizing data input methods to simplify sensor requirements. The integration of these systems into equestrian equipment is a long-term goal, aiming to provide real-time alerts for riders. Additionally, employing raw signal data instead of aggregated features may preserve critical temporal information and facilitate broader applicability across different contexts. Deep learning approaches, which necessitate larger datasets, could be particularly advantageous if more cases of hindlimb lameness and sound horses are incorporated into the database, potentially paving the way for predicting the lame limb more effectively.