در همین خصوص، زهرا اتراچالی از دانشکده مهندسی پزشکی دانشگاه صنعتی سهند تبریز به همراه یکی از همکاران دانشگاهی خود، پژوهشی را با تمرکز بر تشخیص خودکار و غیرتهاجمی سکته مغزی ایسکمیک انجام داده اند. آن ها در این تحقیق، به جای اتکا به تصویربرداری های پیچیده، به سراغ تحلیل زمانی و فرکانسی سیگنال فشار کف پا در هنگام راه رفتن رفته اند تا بتوانند با کمک مدل های محاسباتی، الگوی بیماران را از افراد سالم تفکیک کنند.
نتایج این بررسی ها نشان دادند که این روش توانسته است با استفاده از ۳۵ ویژگی آماری ساده، به دقت بسیار بالایی در تشخیص سکته مغزی ایسکمیک دست یابد. در میان روش های طبقه بندی، الگوریتم جنگل تصادفی بهترین عملکرد را ارائه کرده است. این میزان دقت بالا در حالی به دست آمده که از ویژگی های پیچیده و پرهزینه استفاده نشده و تمرکز بر شاخص های ساده فشار کف پا بوده است.
پژوهشگران در جمع بندی نتایج اعلام کردهاند که ترکیب اطلاعات زمانی و فرکانسی سیگنال فشار کف پا میتواند ابزاری قابل اعتماد برای تشخیص خودکار سکته مغزی باشد. به گفته آن ها، این روش علاوه بر دقت بالا، از نظر محاسباتی نیز سبک است و میتواند برای کاربردهای عملی مناسب باشد. این موضوع اهمیت زیادی دارد، زیرا در محیطهای بالینی، سرعت و هزینه اجرای روش تشخیصی نقش تعیینکننده ای دارد.
یافته های این تحقیق نشان میدهند که تحلیل نحوه راه رفتن میتواند فراتر از یک ارزیابی ساده حرکتی باشد و به عنوان شاخصی از وضعیت سیستم عصبی مورد استفاده قرار گیرد.
براین اساس، اگر چنین روش هایی توسعه بیشتری پیدا کنند، میتوان از آن ها برای غربالگری اولیه یا پایش روند بهبود بیماران در دوره توانبخشی استفاده کرد. همچنین به دلیل غیرتهاجمی بودن، بیماران بدون نگرانی از عوارض جانبی میتوانند چندین بار تحت ارزیابی قرار گیرند.
