Anda di halaman 1dari 12

Abstrak

Objektif
Latihan penguatan otot telah terbukti memperbaiki rasa sakit dan fungsi pada orang dewasa
dengan osteoarthritis lutut ringan sampai sedang, namun tingkat respons individu dapat
sangat bervariasi. Memprediksi individu yang merespons dan mereka yang tidak penting
dalam mengembangkan model perawatan osteoarthritis lutut yang lebih efisien dan efektif
(OA). Oleh karena itu, tujuan dari penelitian ini adalah untuk menggunakan kme kinematika
pra-intervensi dan ukuran hasil yang dilaporkan pasien untuk memprediksi respons pasca
intervensi terhadap intervensi latihan penguatan pinggul 6 minggu pada pasien dengan OA
lutut ringan sampai sedang.

Metode
Tiga puluh sembilan pasien dengan osteoarthritis lutut ringan sampai sedang menyelesaikan
program pemberian tekanan selama 6 minggu dan dikelompokkan menjadi Non-Responden,
Responden Rendah, atau Responden Tinggi setelah intervensi berdasarkan perubahan pada
cedera lutut Skor Osteoarthritis (KOOS ). Prediktor sub kelompok responden ditentukan
secara retrospektif dari ukuran hasil yang dilaporkan pasien awal dan parameter kiprah
kinematik dalam analisis diskriminan komponen utama. Tindak lanjut 3-4 tahun pada 16
pasien OA lutut juga dilakukan untuk memeriksa perubahan jangka panjang pada parameter
ini.

Hasil
Kombinasi unik dari ukuran hasil yang dilaporkan pasien dan faktor kinematik berhasil
membuat subkelompok pasien osteoartritis lutut dengan akurasi klasifikasi yang divalidasi
silang 85,4%. Fungsi pasien yang dilaporkan lebih rendah dalam nilai kehidupan sehari-hari
(ADL) dan kinematika bidang frontal pinggul selama respons pemuatan paling penting dalam
mengklasifikasikan Responden Tinggi dari sub kelompok lainnya, sementara kombinasi
kinematika pergelangan kaki pinggul, pergelangan kaki, lutut digunakan untuk
mengklasifikasikan Non -Responders dari Responden Rendah.

Kesimpulan
Pengukuran hasil yang dilaporkan pasien dan data gaya berjalan obyektif biomekanikal dapat
menjadi metode yang efektif untuk memprediksi keberhasilan pengobatan individual
terhadap intervensi latihan. Mengukur kinematika kiprah, bersama dengan ukuran hasil yang
dilaporkan pasien dalam setting klinis dapat berguna dalam membantu membuat keputusan
berbasis bukti mengenai perawatan optimal untuk pasien OA lutut.
pengantar
Latihan penguatan otot telah menjadi bagian integral dari pengelolaan osteoartritis lutut
ringan-tomoderate (OA) [1]. Studi penelitian sebelumnya telah melaporkan bahwa pasien
dengan OA lutut biasanya menunjukkan perbaikan pada nyeri dan fungsi fisik yang
dilaporkan pasien setelah intervensi latihan penguatan otot [1-5]. Namun, ukuran efek dalam
banyak percobaan ini tetap kecil, kemungkinan besar akibat variabilitas yang besar dalam
tanggapan individu dan bukan pembatasan intervensi itu sendiri [6]. Variabilitas keberhasilan
pengobatan ini telah membawa perubahan paradigma baru-baru ini dari model "satu ukuran
sesuai semua" ke pendekatan pengobatan pribadi, dengan fokus pada identifikasi responden
atau non-penanggap [6-8]. Sementara beberapa penelitian menunjukkan ukuran hasil yang
dilaporkan pasien (misalnya, rasa sakit? 6/10) mungkin efektif dalam memprediksi responden
untuk berolahraga pada populasi OA pinggul [9], hubungan ini tetap tidak jelas [10]. Oleh
karena itu, penelitian lebih lanjut diperlukan untuk memvalidasi ukuran hasil yang dilaporkan
pasien dan untuk mengidentifikasi variabel tambahan yang dapat membantu fase
perkembangan aturan prediksi klinis untuk pasien dengan respons OA lutut terhadap latihan
[11].

Sudah diterima dengan baik bahwa pasien dengan OA lutut telah mengubah gaya berjalan,
namun seperti tanggapan terhadap latihan ada banyak heterogenitas di penelitian sebelumnya.
Sementara perbedaan dalam kinematika kinase sagital dan frontal telah diamati antara mereka
dengan dan tanpa OA lutut [12-18], dan juga antara tingkat keparahan OA [12,15-17],
kompartemen [13,18], dan bilateral vs unilateral OA [14,19], sebuah tinjauan sistematis dan
meta analisis baru-baru ini menunjukkan kurangnya konsistensi di seluruh penelitian,
menunjukkan bahwa pasien dengan OA lutut menunjukkan beragam perubahan biomekanik
sebagai respons terhadap penyakit ini [20]. Demikian pula Sagawa Jr. et al. [21] melaporkan
bahwa pasien dengan OA lutut dapat mengadopsi berbagai profil gaya berjalan yang unik di
bidang sagital dan frontal. Selain itu, memeriksa variabilitas antar-subjek dalam bentuk
gelombang kinematik (misalnya, analisis komponen utama; PCA) telah terbukti bermanfaat
dalam membedakan [22] dan pola kait OA gaya kawalan subkelompok [23]. Gaudreault dkk.
[23] melaporkan bahwa dengan mengelompokkan pasien dengan pola kiprah yang sama pada
awal, perubahan signifikan dalam gaya berjalan menunjukkan postintervention nyata yang
tidak dapat diamati sebaliknya. Oleh karena itu, perbedaan dalam profil kait biomekanik yang
diamati pada awal intervensi latihan mungkin merupakan prediktor penting untuk respons
terhadap intervensi, dan melengkapi ukuran hasil yang dilaporkan pasien.

Penguatan otot pinggul adalah salah satu jenis intervensi olahraga yang terbukti efektif dalam
mengurangi rasa sakit pada penderita OA lutut, namun tetap tidak ada informasi untuk
mengidentifikasi individu yang paling banyak meresponsnya [24,25]. Bennell dkk.,
Menemukan peningkatan signifikan dalam rasa sakit dan fungsi keseluruhan setelah
intervensi latihan penguatan pinggul, namun mereka tidak memeriksa perbedaan pada subjek
pada awal dan mengakui bahwa perbedaan tersebut mungkin informatif pada pasien yang
merespons dengan baik. Penulis menyarankan agar pekerjaan di masa depan harus memeriksa
parameter kiprah garis dasar sebagai metode untuk memprediksi calon responden terhadap
program penguatan pinggul. Sepengetahuan kami, belum ada penelitian yang meneliti apakah
ukuran hasil yang dilaporkan pasien dan data kinematis berjalan berjalan untuk pasien dengan
OA lutut diperkirakan akan merespons intervensi latihan penguatan pinggul.

Oleh karena itu, tujuan utama dari penelitian ini adalah untuk menggunakan kinematika pra-
intervensi sagital dan frontal, di samping ukuran hasil yang dilaporkan pasien, untuk
memprediksi respons pasca intervensi terhadap intervensi latihan penguatan otot 6 minggu
pada pasien dengan ringan-tomoderate Lutut OA. Dihipotesiskan bahwa kombinasi unik dari
parameter yang diperoleh pada awal ini akan menentukan subruang yang berhasil
mengklasifikasikan pasien dengan OA lutut sebagai Non-Responden, Responden Rendah,
atau Responden Tinggi terhadap intervensi latihan. Tujuan sekunder dari studi ini adalah
untuk menguji stabilitas centroid kelompok OA lutut di subruang klasifikasi setelah
intervensi 6 minggu, dan juga pada follow up 3-4 tahun dalam subset terbatas.

Metode
Pernyataan Etika
Protokol eksperimental telah disetujui oleh Dewan Etika Riset Konjungsi Kesehatan di
Universitas Calgary dan informed consent tertulis diperoleh dari semua peserta sebelum
pengujian. Individu yang menunjukkan protokol latihan di S1 File telah memberikan
informed consent untuk menerbitkan gambar-gambar ini.

Subjek dan Desain


Sebanyak 98 orang dewasa dengan OA lutut (53 perempuan dan 45 laki-laki) siapa? 40 tahun
dan memenuhi kriteria klinis American College of Rheumatology untuk OA lutut ringan
sampai sedang setidaknya satu lutut [26] direkrut dari database yang diadakan di klinik lutut
ortopedi di University of Calgary. Tiga puluh sembilan pasien dengan OA lutut
menyelesaikan intervensi latihan penguatan perut selama 6 minggu. Sisa 59 pasien dengan
OA lutut tidak terdaftar dalam intervensi latihan dan menyelesaikan pengujian dasar tunggal
yang akan digunakan dalam langkah reduksi data yang akan dijelaskan di bagian Analisis
Data (Gambar 1). Semua peserta diharuskan untuk bisa berjalan tanpa alat bantu dan tidak
memiliki kondisi fisik atau medis dimana protokol pengujian akan dikontraindikasikan.
Peserta OA lutut dikeluarkan jika mereka (1) didiagnosis dengan OA lutut berat, (2) saat ini
melakukan fisioterapi atau praktik manajemen konservatif lainnya, termasuk suntikan
kortikosteroid, (3) telah menggunakan kortikosteroid oral atau anti-inflamasi dalam 24 jam
sebelumnya. Untuk pengujian, (4) memiliki kondisi rematik sistemik, atau (5) memiliki
indeks massa tubuh (BMI>> 35 kg / m2. Empat puluh tiga kontrol bebas rasa sakit (25 betina,
18 laki-laki) juga direkrut dari database tersebut untuk digunakan sebagai data referensi untuk
dibandingkan dengan pasien dengan OA lutut (Gambar 1). Kontrol bebas rasa sakit ini? 40
tahun tanpa sakit lutut atau riwayat cedera / operasi lutut sebelumnya dan tidak ada OA yang
diketahui dari sendi atau tulang belakang ekstremitas bawah. Perbandingan univariat
informasi demografis antara pasien OA lutut dan kontrol bebas rasa sakit (uji t independen),
serta antara subkelompok responder dan kontrol bebas rasa sakit (analisis varians satu arah)
dapat ditemukan pada Tabel 1.

Prosedur
Semua pasien dengan OA lutut (n = 98) dan kontrol bebas rasa sakit (n = 43) memiliki
kinematika tungkai bawah tiga dimensi yang dikumpulkan pada 120 Hz menggunakan sistem
motion capture 8-camera Vicon MX3 (Vicon Motion Systems, Oxford, UK) Selama 60 detik
sambil berjalan di treadmill yang diinstrumentasi (Bertec, Columbus OH, USA). Peserta
berjalan pada kecepatan normal pilihan sendiri yang dipilih selama periode familiarisasi
sebelum rekaman. Sebanyak 27, 9 mm retro-reflektif spidol dilekatkan pada panggul, paha,
sungkup, dan kaki, dengan 18 tanda tambahan juga menempel pada tengara anatomis untuk
uji coba berdiri netral untuk mengidentifikasi lokasi pusat bersama [27,28]. Lintasan penanda
disaring dengan filter umpan balik Butterworth rekursif 10 Hz low-pass dan sudut sendi
bawah tubuh dihitung dengan menggunakan pendekatan SVD body-kaku [29], dan Joint
Coordinate System [30].

Selain kiprah kinematika, pasien dengan OA lutut yang terdaftar dalam intervensi latihan (n =
39) juga menyelesaikan Angka Hasil Luka Knee Injury and Osteoarthritis (KOOS). KOOS
adalah kuesioner standar bertekanan tinggi 42 item yang diberikan sendiri (5 kotak Likert)
yang telah terbukti menunjukkan reliabilitas tes ulang yang memadai pada populasi OA lutut
[31]. Kuesioner menilai lima subskala yang terdiri dari rasa sakit, gejala, fungsi dalam
kehidupan sehari-hari (ADL), fungsi olahraga dan rekreasi, dan kualitas hidup terkait lutut
(QoL), di mana nilai normal dihitung untuk setiap subskala (100 tidak menunjukkan gejala
dan 0 Menunjukkan gejala ekstrim) [32]. Dalam penelitian saat ini, hanya empat subskala
yang diperiksa (nyeri, gejala, ADL, dan QoL) karena banyak pertanyaan olahraga dan fungsi
rekreasi tidak berlaku untuk pasien. 39 pasien dengan OA lutut yang terlibat dalam protokol
latihan menyelesaikan KOOS sebelum dan sesudah intervensi latihan.

Intervensi
Setelah tes awal, 39 pasien dengan OA lutut di protokol intervensi memulai program latihan
penguatan tulang terapis yang teruji selama 6 minggu. Peserta menyelesaikan latihan
penguatan ketahanan dinamis untuk pinggul menggunakan band elastis Thera-Band (The
Hygenic Corporation, Akron OH, USA). Protokol latihan difokuskan pada abductors pinggul,
fleksor pinggul, rotator eksternal pinggul, gluteus medius, dan stabilitas inti (S1 File).
Individu dalam manuskrip ini telah memberikan informed consent tertulis (sebagaimana
diuraikan dalam bentuk persetujuan PLOS) untuk menerbitkan rincian kasus ini. Latihan
tersebut ditunjukkan kepada peserta oleh Certified Athletic Therapist yang juga mengawasi
satu sesi latihan per minggu untuk memantau rasa sakit, kepatuhan, dan teknik.
Perkembangan latihan, termasuk peningkatan atau penurunan set dan pengulangan atau
durasi latihan, dan perubahan resistensi TheraBand (Hygenic Corp, Akron, OH) bergantung
pada terapi Athletic Therapist, berdasarkan tanggapan dan gejala pasien selama kemajuan
rehabilitasi. Peserta diminta untuk melakukan latihan setiap hari dan mencatat hari-hari
mereka menyelesaikan latihan. Jumlah rata-rata hari per minggu latihan selesai adalah 5,5 (
1,5). Program penguatan didasarkan pada protokol yang terbukti efektif untuk memperbaiki
gejala pada pasien yang menderita sindrom nyeri patellofemoral [33]. Program penguatan
pinggul serupa juga telah terbukti memperbaiki rasa sakit dan fungsi pada pasien yang
didiagnosis dengan OA lutut [24,25].

Pengelompokan
Pasien dengan OA lutut dalam intervensi dikelompokkan berdasarkan perubahan skor
skrining KOOS yang dilaporkan oleh pasien (nyeri, gejala, ADL, dan QoL) pada akhir
intervensi latihan 6 minggu, dibandingkan dengan skor awal [34]. Ukuran efek (Cohen's d)
dari intervensi untuk masing-masing peserta dirata-ratakan di keempat subskala KOOS untuk
memberi label peserta sebagai Non-Responder (ukuran efek <0,2), Responden Rendah (0,2
ukuran efek <0,8), atau Responden Tinggi ( Ukuran efek? 0,8) [35]. Metode pengelompokan
ini diterapkan alih-alih kriteria OMERACT / OARSI [36] untuk memungkinkan tiga
kelompok respons potensial, yang bertentangan dengan kriteria tanggapan biner. Semua
kecuali salah satu responden tinggi memenuhi kriteria OMERACT / OARSI untuk
didefinisikan sebagai responden, sementara tidak ada yang berpendapatan rendah atau tidak
memenuhi kriteria ini. Perubahan mutlak pada subskala KOOS setelah intervensi latihan 6
minggu untuk setiap sub kelompok responder ditunjukkan pada Gambar 2.

Analisis data
Semua pengolahan data dilakukan dengan menggunakan MATLAB 8.4 (MathWorks Inc.,
Natick, MA) dengan analisis statistik yang dilakukan di IBM SPSS Statistics 21 (SPSS Inc.,
Armonk NY, USA). Tujuan utama penelitian ini, untuk mengklasifikasikan subkelompok OA
lutut sebagai Non-Responden, LowResponders, atau High-Responders dengan menggunakan
ukuran dan kiprah hasil yang dilaporkan oleh pasien pra-intervensi, diselesaikan dalam tiga
tahap; (1) reduksi data, (2) pemilihan fitur, dan (3) klasifikasi seperti pada Gambar 3.

Pertama, mengingat banyaknya data kiprah, analisis komponen utama (PCA) digunakan
sebagai teknik reduksi data [37,38]. PCA merangkum variabilitas antar peserta untuk dataset
yang diberikan dengan membuat seperangkat variabel ortogonal baru yang tidak hanya
menggambarkan, namun diurutkan berdasarkan varian masing-masing yang dijelaskan dalam
dataset asli [37,39]. Sementara penelitian telah berhasil menggunakan teknik reduksi data
tersebut dengan ukuran sampel terbatas [40,41], minimal 50-100 subjek telah
direkomendasikan bahkan untuk data berkorelasi tinggi [42,43]. Oleh karena itu, untuk
membatasi risiko overfitting dan membuat reduksi data lebih digeneralisasikan, kinematika
kiprah dari 59 pasien OA lutut yang tidak dilibatkan dalam intervensi latihan, termasuk dalam
PCA.

Sebelum melakukan bentuk gelombang sendi PCA, gelombang sagital dan frontal, kaki lutut,
dan ankle dari kaki yang paling terpengaruh dinormalisasi menjadi stance (60%) dan ayunan
(40%) dan rata-rata berada dalam 10 langkah berturut-turut. Keenam bentuk gelombang
kinematik kemudian digabungkan menjadi matriks 98 x 600 (pasien dengan titik data
gelombang OA x lutut). Matriks tersebut distandarisasi dengan mean 0 dan deviasi standar 1
[44], dan PCA dilakukan menghasilkan 97 komponen utama (PC). Oleh karena itu, bentuk
gelombang kinematik titik 600 dari masing-masing individu pada garis dasar intervensi
latihan dikurangi menjadi 97 skor PC yang terkait dengan arah varians total terbesar dalam
gaya berjalan OA lutut dan menunjukkan bagaimana individu tersebut menyimpang dari rata-
rata. PC kiprah ini kemudian digabungkan dengan empat subskala KOOS untuk
menghasilkan 101 variabel prediktor potensial.

Kedua, pemilihan fitur dilakukan dengan memilih subset dari variabel prediktor
menggunakan pemilihan fitur berurutan. Teknik ini menggunakan algoritma klasifikasi yang
sama untuk digunakan pada tahap akhir analisis data (analisis diskriminan linier; LDA),
namun dimulai tanpa variabel prediktor di subset fitur dan secara berurutan menambahkan
variabel yang menghasilkan pengurangan kesalahan terbesar sampai menambahkan tambahan
Variabel tidak mengurangi kesalahan ini [45]. Ukuran kesalahan yang digunakan dalam
penelitian saat ini adalah kesalahan validasi silang 10 kali lipat yang diulang sebanyak 10 kali
(yaitu, validasi silang 10x10 kali lipat [46]). Penggunaan ukuran kesalahan cross-validated
sangat penting saat memilih fitur untuk meminimalkan bias statistik atau kelengkapan model
akhir [47]. Semua fitur yang dipilih diperintahkan berdasarkan persentase waktu yang dipilih
dalam 10 iterasi dan hanya 10 fitur teratas yang dipilih untuk memenuhi persyaratan
minimum model klasifikasi (yaitu, ukurannya kurang dari ukuran subkelompok terkecil) [48].

Akhirnya, 10 fitur yang dipilih digunakan dalam algoritma klasifikasi untuk menentukan
akurasi klasifikasi cross-validated dari subset fitur terbaik. Secara khusus, LDA digunakan
untuk mengklasifikasikan peserta OA lutut sebagai Non-Responden, Responden Rendah, atau
Responden Tinggi dengan maksimal 10 fitur yang dipilih. Tujuan LDA adalah untuk secara
linier menggabungkan beberapa variabel independen menjadi variabel komposit k-1, yang
disebut fungsi diskriminan (di mana k sama dengan jumlah kelompok responden), yang
membedakan kelompok keanggotaan terbaik [49]. Semua fitur terdistribusi secara normal (uji
koreksi Kolmogorov-Smirnov dan Lilliefors) tanpa outlier, keduanya merupakan asumsi
kritis dari LDA [48]. Secara kumulatif memasukkan fitur ke dalam LDA, sesuai urutan
persentase waktu yang dipilih pada langkah pemilihan fitur, dan memilih kombinasi dengan
akurasi klasifikasi 10x10 fold terbesar menentukan model klasifikasi terbaik. Signifikansi
fungsi diskriminan didefinisikan dengan menggunakan Wilks 'Lamba (p <0,05) dan matriks
varians varians varians diuji dengan statistik Box's M (p> 0,05).

Tujuan sekunder, untuk memeriksa stabilitas centroid kelompok OA lutut, dilengkapi dengan
memproyeksikan data tindak lanjut dan 3-4 tahun follow up ke subruang model klasifikasi
terbaik. 39 pasien dengan OA lutut yang terdaftar dalam intervensi latihan tidak diikuti atau
dilacak dengan cara apa pun setelah tes pasca 6 minggu mereka sampai dihubungi untuk sesi
pengujian yang telah dilakukan sebelumnya (yaitu kiprah kinematika dan kuesioner KOOS)
rata-rata 3,5 ( 0,3) tahun setelah keterlibatan mereka dalam penelitian ini. Bagian dari pasien
follow-up yang direkrut (n = 16) menunjukkan kecepatan BMI dan gaya berjalan yang serupa
dibandingkan dengan pengujian awal mereka (Tabel 2).

Kontrol bebas rasa sakit juga diproyeksikan ke dalam subruang klasifikasi untuk
meningkatkan interpretasi klinis model. Sebelum data ini dapat diproyeksikan ke dalam
subruang, data kinematik disusun dan diproses dengan cara yang sama dengan data OA lutut
intervensi pra-intervensi dan nilai PC dihitung dari koefisien PC yang digunakan dalam LDA
klasifikasi terbaik. Skor PC ini menggambarkan bagaimana data kinematik baru (yaitu pasca
intervensi, follow up 3-4 tahun, kontrol bebas rasa sakit) menyimpang dari data kinematik
baseline rata-rata (yaitu 98 pasien dengan OA lutut) yang digunakan dalam melakukan PCA .
Selain data kiprah, ukuran hasil yang dilaporkan pasien yang diperlukan (subskala KOOS)
digunakan untuk menghitung skor fungsi diskriminan dan merencanakan hasil ini dalam
klasifikasi subruang. Karena peserta kontrol bebas dari rasa sakit, mereka diberi skor
sempurna pada subskala KOOS. Meskipun tidak mungkin bahwa semua subjek kontrol akan
mencapai nilai sempurna pada semua subskala KOOS [50], penggunaan utama data ini
adalah sebagai referensi kontrol bebas rasa sakit untuk membandingkan subkelompok
responder dalam klasifikasi subruang.
Hasil
Rata-rata, semua pasien dengan OA lutut berjalan lebih lambat (t (139) = -2,641, p = 0,009)
dan memiliki BMI lebih besar (t (139) = 3,066, p = 0,002) daripada kontrol bebas rasa sakit,
namun tidak ada responder individu. Subgroup berbeda pada umur (F (3,78) = 1,563, p =
0,205), kecepatan berjalan (F (3,78) = 2,314, p = 0,082), BMI (F (3,78) = 2,364, p = 0,078 ),
Dan jenis kelamin (F (3,78) = 2,555, p = 0,061; Tabel 1). LDA klasifikasi terbaik
mengungkapkan dua fungsi diskriminan yang signifikan ( = 0,095, 2 (14, N = 39) = 77,5, p
<0,001), yang menggunakan 1 ukuran hasil yang dilaporkan pasien dan 6 kiprah PC untuk
menjelaskan 74,6% variasi antara Subkelompok dan mencapai akurasi klasifikasi validasi
10x10 cross-validation sebesar 85,4%. Statistik Box M menunjukkan bahwa asumsi
kesetaraan matriks varians-kovarian tidak dilanggar (p = 0,39). Skor fungsi diskriminan
digunakan untuk merencanakan pasien dengan OA lutut di subruang klasifikasi LDA yang
ditunjukkan pada Gambar 4.

Fungsi diskriminan pertama terutama terkait dengan subskala KOOS ADL dan kiprah PC 51
(Tabel 3) dan paling penting untuk membedakan Responden Tinggi dari subkelompok lain,
karena Responden Tinggi menunjukkan nilai tertinggi pada fungsi diskriminan 1 (Gambar 4).

Berdasarkan hubungan antara variabel-variabel ini dan fungsi diskriminan 1 yang


ditunjukkan pada Tabel 3, nilai diskriminan fungsi 1 yang lebih tinggi terkait dengan skor
ADL yang lebih rendah (yaitu lebih buruk) (Gambar 5) dan skor kiprah PC 51 yang lebih
tinggi. Gait PC 51 dikaitkan dengan pola gerak pada kinematika bidang frontal hip pada saat
pemuatan respon. Responden yang tinggi memiliki skor yang lebih tinggi pada kiprah PC 51
(p = 0,001) daripada subkelompok lainnya, yang terkait dengan Responden Tinggi cenderung
menampilkan pola penggantian pinggul yang meningkat saat memasukkan respons,
sementara subkelompok lainnya cenderung mempertahankan atau mengurangi pinggul.
Adduksi selama waktu ini

Fungsi diskriminan kedua terkait dengan kombinasi PC gaya berjalan 46, 86, dan 90 (Tabel
3) dan paling penting untuk membedakan Non-Responden dari Responden Rendah, karena
Responden Rendah menunjukkan skor yang lebih tinggi pada fungsi diskriminan 2 daripada
Non-Responden. (Gambar 4). Gait PC 46 pada umumnya terkait dengan hubungan antara
kinematika pinggul dan pergelangan kaki pada ujung kaki. Non-Responden lebih tinggi pada
kiprah PC 46 (p = 0,003) dibandingkan dengan Responden Rendah yang menunjukkan bahwa
mereka cenderung mengurangi plantarflexion, sehubungan dengan perpanjangan pinggul,
pada toeoff. PC gaya berjalan yang lebih tinggi lebih sulit untuk ditafsirkan namun terutama
dimuat pada kinematika pinggul dan lutut selama respon pemuatan (kipo PC 86) dan
kinematika pergelangan kaki frontal selama stance (kiprah PC 90). Gambar 6
menggambarkan secara visual dimana PC gaya berjalan ini paling banyak dimuat pada
bentuk gelombang kinematik.

Data kontrol bebas rasa sakit diproyeksikan ke dalam subruang klasifikasi pada Gambar 7.
Centroid kelompok kontrol paling mirip dengan Responden Rendah, diikuti oleh Non-
Responden, dan yang terakhir adalah Responden Tinggi. Memproyeksikan sub kelompok
lutut pasca-intervensi OA ke dalam subruang klasifikasi menunjukkan bahwa meskipun
subkelompok centroid bergeser, mereka semua tetap berada di sepertiga awal ruang bawah
mereka. Demikian pula, memproyeksikan subset pasien OA lutut yang menyelesaikan follow
up 3-4 tahun (n = 16), mengungkapkan bahwa semua subkelompok centroid tetap berada di
sepertiga awal ruang bawah mereka bahkan setelah rata-rata 3,5 ( 0,3) tahun

Diskusi
Tujuan dari penelitian ini adalah untuk menggunakan data kiprah kinematik pra-intervensi
dan ukuran hasil yang dilaporkan pasien untuk mengklasifikasikan pasien dengan OA lutut
ringan sampai sedang sebagai Non-Responden, Responden Rendah, dan Responden Tinggi
sampai pinggul 6 minggu. Memperkuat protokol latihan Untuk mendukung hipotesis kami,
dengan menggunakan kombinasi dari ukuran hasil yang dilaporkan pasien ini dan parameter
biomekanik, kami dapat berhasil mengklasifikasikan (85,4% cross-validated accuracy)
subkelompok responden. Sepengetahuan kami, ini adalah studi pertama yang menggunakan
pengukuran hasil yang dilaporkan pasien dan data gelombang gaya berjalan biomekanik yang
obyektif untuk berhasil memprediksi keberhasilan pengobatan individual terhadap intervensi
latihan di OA lutut.

Untuk menciptakan model perawatan OA lutut yang lebih efisien dan efektif, sangat penting
untuk memberi pasien yang tepat perawatan yang tepat pada waktu yang tepat. Dengan
menggunakan data pasien awal untuk mengklasifikasikan responden dapat membantu dokter
dalam mengarahkan pasien ke pengobatan yang paling efektif, berpotensi menghemat waktu
dan secara bersamaan mengurangi biaya perawatan kesehatan. Model yang dikembangkan
dalam studi saat ini menunjukkan bahwa penggunaan ukuran hasil dan data kiprah yang
dilaporkan pasien dapat berhasil memprediksi responden terhadap intervensi latihan 6
minggu dengan akurasi lebih dari 85%. Meskipun kami tidak mengetahui studi penelitian
sebelumnya yang menggabungkan ukuran hasil dan data kiprah yang dilaporkan pasien,
Weigl et al. [51] melaporkan akurasi klasifikasi 74,8% untuk responden hipon dan lutut OA
menggunakan variabel prediktor seperti jenis kelamin, gejala depresi, dan riwayat kesehatan.
Demikian pula, penelitian pada penderita OA hip oleh Wright dkk. [9] variabel prediktor
yang digunakan seperti umur, nyeri, durasi gejala, dan kecepatan berjalan untuk mencapai
akurasi klasifikasi 65% untuk menentukan responden. Dengan demikian, hasil penelitian saat
ini menunjukkan bahwa ukuran hasil yang dilaporkan pasien, dikombinasikan dengan data
kiprah obyektif dalam populasi OA lutut heterogen yang relatif heterogen, dapat memberikan
metode yang kuat untuk mengidentifikasi subkelompok penanggap dan non-penanggap.
Selain itu, penelitian saat ini memperbaiki penyelidikan yang telah disebutkan sebelumnya
[9,51], karena model tersebut memberikan solusi tiga kelompok, bukan dua, dan akurasi
klasifikasi yang divalidasi secara silang menggunakan subkelompok subyek yang dipecah
untuk memprediksi subset kiri Dari subyek, sehingga membatasi overfitting model. Namun
demikian, ini tetap merupakan studi pendahuluan yang menggambarkan kesalahan yang
divalidasi silang dan memerlukan validasi uji coba menggunakan kohort pasien baru dengan
OA lutut untuk menentukan akurasi prediktif yang sebenarnya yang dapat diharapkan dalam
setting klinis.
Mungkin sama pentingnya dengan validasi statistik model adalah interpretasi klinis model.
Fungsi diskriminan pertama dapat secara akurat membedakan HighResponders dari
Responden Rendah dan Non-Responden, dan hal itu terutama menggunakan dua variabel
prediktor yang dapat ditafsirkan secara klinis. Pertama, individu yang menanggapi terbaik
terhadap intervensi pengobatan melaporkan skor ADL yang lebih rendah pada awal. Temuan
ini serupa dengan Wright dkk. [9] yang juga menemukan ukuran hasil yang dilaporkan pasien
(misalnya, nyeri 6/10) dapat digunakan sebagai prediktor keberhasilan pengobatan pada
pasien OA pinggul. Selain itu, High-Responders menunjukkan kinematika bidang frontal hip
yang berbeda selama respon pemuatan (kiprah PC 51) gaya berjalan dibandingkan dengan
subkelompok lainnya. Gambar 6 (A) mengilustrasikan bahwa Responden Tingkat Tinggi
mengalami peningkatan tingkat hip adduksi selama respon pemuatan, sementara Responden
Rendah dan Non-Responden lebih mampu mempertahankan sudut pinggul lini depan mereka
sepanjang fase gaya berjalan ini. Temuan ini didukung oleh penyelidikan sebelumnya yang
telah melaporkan bahwa pengendalian pinggul di bidang frontal memainkan peran kunci
dalam pemuatan sendi lutut [52]. Hal ini dapat dipostulasikan bahwa orang-orang dengan
gangguan kontrol pada pinggul, yang sekunder akibat kekuatan otot berkurang, lebih
cenderung merespons intervensi latihan yang berfokus pada penguatan otot pinggul. Oleh
karena itu, temuan saat ini menunjukkan bahwa kinase ADL dan kinida frontal ADL yang
lebih rendah pada pasien mungkin merupakan tindakan yang paling efektif untuk menentukan
subset individu yang akan merespons intervensi olahraga penguatan pinggul.

Dalam membedakan Non-Responden dari Responden Rendah, fungsi diskriminan kedua


menggunakan interaksi antara kinematika pinggul, lutut, dan pergelangan kaki, namun PC
gaya berjalan yang paling penting dikaitkan dengan kinematika pergelangan kaki. Gait PC 46
adalah ukuran hubungan antara kinematika pinggul dan pergelangan kaki pada ujung kaki,
yang menunjukkan bahwa Non-Responden menunjukkan kurang plantarflexion saat to-off
daripada Low-Responders. Mengurangi plantarflexion pada ujung kaki pada orang dewasa
telah dikaitkan dengan pergeseran pembangkit listrik dari sendi distal (mis., Pergelangan
kaki) ke sendi yang lebih proksimal (misalnya pinggul) [53], yang berpotensi akibat
berkurangnya fungsi otot pada ekstremitas. Oleh karena itu, mekanika gaya berjalan atipikal
yang ditunjukkan oleh Non-Responden menunjukkan bahwa kelompok ini dapat
memanfaatkan program rehabilitasi yang lebih personal atau yang lebih berfokus pada
pemulihan biomekanik sendi distal atipikal, berlawanan dengan protokol pinggul yang
digunakan dalam penelitian saat ini.

Variabel terpenting kedua, kiprah PC 90, pada fungsi diskriminan kedua terutama dimuat
pada kinematika roda depan frontal selama keadaan. Sementara menafsirkan PC dengan
tingkat yang lebih tinggi seperti ini bisa sulit, mereka disarankan untuk mewakili pola
gerakan halus yang dapat berisi informasi berharga untuk membandingkan antara individu
[54]. Munderman dkk. [52] juga menemukan kompensasi gaya berjalan di kedua sendi
pinggul dan pergelangan kaki di bidang frontal pasien OA lutut, namun menyimpulkan
perubahan gaya berjalan lebih cenderung berhubungan dengan pinggul daripada pergelangan
kaki. Temuan saat ini mendukung pentingnya biomekanik pergelangan kaki, terutama untuk
Non-Responden, namun serupa dengan kesimpulan dari penulis lain [24,25], kami
menyarankan bahwa mungkin ada beberapa subkelompok pasien yang menampilkan strategi
kompensasi yang berbeda dan bereaksi secara berbeda terhadap perawatan. Sekali lagi,
selanjutnya mengajukan pertanyaan, apakah Non-Responden dari intervensi latihan
penguatan pinggul ini menjadi HighResponders terhadap intervensi kekuatan pergelangan
kaki dan keseimbangan? Sementara jawaban atas pertanyaan tersebut tetap berada di luar
cakupan penelitian ini, ini mengidentifikasi kebutuhan untuk melakukan penelitian lebih
lanjut dengan intervensi olahraga dan jalan pengobatan yang berbeda untuk lebih memahami
bagaimana kita dapat menemukan perawatan yang tepat untuk pasien yang tepat.

Hasil pengukuran dan kiprah pasien yang dilaporkan pasca intervensi dan pada follow up 3-4
tahun yang diproyeksikan ke dalam subruang klasifikasi menunjukkan bahwa model tersebut
relatif stabil sepanjang waktu. Sementara High-Responders bergerak menuju kontrol dalam
klasifikasi subruang setelah intervensi, kelompok mereka tetap berada di sepertiga kanan dari
klasifikasi subruang (Gambar 7). Oleh karena itu, temuan ini tidak hanya menunjukkan
stabilitas model, namun juga menunjukkan bahwa sebagian besar pasien ini akan mendapat
manfaat dari melanjutkan intervensi latihan ini. Sebagai alternatif, Non-Responden bergerak
lebih jauh dari kontrol namun tetap berada di sepertiga awal ruang klasifikasi mereka,
memberikan bukti bahwa intervensi ini kemungkinan besar masih tidak sesuai untuk
subkelompok ini. Akhirnya, stabilitas model juga didukung di subset pasien OA lutut yang
menyelesaikan follow up 3-4 tahun. Sekali lagi, sementara kelompok centroid bergeser,
masing-masing subkelompok tetap berada di sepertiga awal ruang bawah mereka. Namun
demikian, hasil ini harus diinterpretasikan dengan hati-hati mengingat perubahan dalam
perawatan, aktivitas, atau tingkat keparahan tidak diukur untuk subset data follow-up 3-4
tahun ini dan oleh karena itu setiap gerakan dalam subruang klasifikasi sulit ditafsirkan
secara klinis.

Mengingat temuan penelitian saat ini dan literatur yang berkembang yang menunjukkan
dampak kiprah di OA [12-20], semakin jelas bahwa mengevaluasi pola gerakan harus
menjadi perhatian utama dokter sebagai bagian dari penilaian pasien mereka. Sayangnya,
banyak klinisi tidak memiliki akses terhadap sistem analisis gaya berjalan, seperti sistem
VICON yang digunakan dalam penelitian saat ini. Dengan pemikiran ini, ada banyak teknik
analisis gerak sederhana, biaya rendah dan teknik gerak portabel yang dikembangkan dan
divalidasi dalam literatur yang dapat membuat analisis gaya berjalan mungkin dalam setting
klinis [55,56]. Selain itu, dengan munculnya teknologi yang dapat dipakai, ada lebih banyak
pilihan yang tersedia bagi seorang klinisi dalam hal mengevaluasi gaya berjalan pasien
[57,58]. Meskipun demikian, teknologi yang dapat dinilai secara klinis ini memerlukan
sejumlah keahlian teknis dan menghasilkan sejumlah besar data yang sulit diajukan oleh
dokter untuk menafsirkannya. Oleh karena itu, mengembangkan metode dan model prediksi
yang dapat membantu mengemas informasi ini secara klinis dapat ditafsirkan sangat penting
untuk integrasi analisis gaya berjalan dalam praktik klinis. Meskipun validasi lebih lanjut
diperlukan, penelitian saat ini dan khususnya Gambar 4, adalah salah satu contoh yang dapat
dengan cepat dan mudah memberikan informasi kepada klinisi tentang kemungkinan pasien
merespons berdasarkan data dasar mereka yang memproyeksikan posisi pada plot 2D. Oleh
karena itu, harapan kami bahwa temuan yang disajikan dalam penelitian ini dapat menjadi
langkah awal untuk mengembangkan alat yang dapat menggunakan analisis gaya berjalan
untuk menginformasikan pengambilan keputusan di lingkungan klinis.

Meskipun penelitian saat ini dapat memberikan banyak wawasan baru untuk memprediksi
respons pasien dengan OA lutut terhadap intervensi latihan, penelitian ini tetap merupakan
penyelidikan pendahuluan dengan keterbatasan yang diketahui. Pertama, karena studi saat ini
masih dalam tahap pengembangan dari aturan prediksi klinis yang memeriksa satu intervensi
tunggal, prediktor yang diidentifikasi mungkin merupakan faktor prognostik yang tidak
spesifik untuk pengobatan ini. Dengan kata lain, walaupun prediktor secara klinis dapat
ditafsirkan sebagai terkait dengan program penguatan pinggul, mengingat rancangan saat ini,
kami tidak dapat mengesampingkan bahwa faktor-faktor ini mungkin berhubungan dengan
Responden Tinggi secara umum dan oleh karena itu, para individu tersebut dapat merespons
dengan baik terhadap perlakuan lain. Jenis (misalnya penguatan paha depan, pendidikan
pasien). Kedua, ada sejumlah subjek yang relatif rendah yang terlibat dalam investigasi 6
minggu dan karena itu, ada risiko model overfitting data. Namun, penggunaan 59 pasien
tambahan dengan OA lutut untuk reduksi data dan mengingat tingginya redundansi data
seperti bentuk gelombang kinematik [59] dikombinasikan dengan distribusi normal dan
kurangnya outlier pada variabel prediktor, kami yakin bahwa risiko ini diminimalkan. [47].
Yang paling penting, penggunaan teknik validasi silang untuk memilih prediktor dan
menentukan kesalahan klasifikasi digunakan dalam penelitian ini untuk meminimalkan
kesalahan pengetatan lebih lanjut. Namun demikian, perlu dicatat bahwa dengan model
klasifikasi apapun, terlepas dari jumlah subjek, pengujian tambahan pada rangkaian uji coba
baru diperlukan untuk menentukan kemampuan prediktif yang sebenarnya. Ketiga, penilaian
individu Kellgren-Lawrence tidak diberikan untuk pasien OA lutut, sehingga mencegah
perbandingan yang obyektif mengenai tingkat keparahan antara subkelompok responder.
Skor individu radiografi tidak dilakukan untuk analisis ini karena semua subjek memiliki
diagnosis OA lutut ringan sampai sedang [4] dan ada bukti terbatas untuk sensitivitas
penilaian radiografi pada populasi semacam itu [60,61]. Akhirnya, laki-laki dan perempuan
dimasukkan dalam model klasifikasi yang sama. Meskipun perbedaan jenis kelamin mungkin
ada pada biomekanika kiprah pasien OA lutut [62,63], tidak ada kiprah yang digunakan PC
dalam model klasifikasi yang berkorelasi secara signifikan dengan jenis kelamin. Oleh karena
itu ada perbedaan biomekanika gaya berjalan yang mungkin ada karena seks memiliki efek
minimal pada klasifikasi subruang.

Kesimpulan
Temuan penelitian saat ini adalah yang pertama yang mendukung penggunaan ukuran hasil
yang dilaporkan sebelum intervensi dan parameter biomekanik untuk memprediksi respons
terhadap intervensi olahraga pada populasi OA lutut. Model klasifikasi terbaik Responden
Tinggi, Responden Rendah, dan Non-Responden terhadap intervensi latihan penguatan
pinggul 6 minggu mencakup kombinasi data kiprah ADL dan biomekanis yang dilaporkan
pasien. Kinematika linier ADL dan hip frontal yang paling rendah dilaporkan paling penting
dalam mengklasifikasikan High-Responders dari subkelompok lainnya, sementara kombinasi
kinematika pinggul, lutut, dan pergelangan kaki digunakan untuk mengklasifikasikan Non-
Responden dari Responden Rendah. Meskipun prediktor ini mengidentifikasi responden
terhadap program penguatan pinggul 6 minggu, hubungan mereka dengan jenis intervensi
lainnya tetap tidak jelas dan validasi lebih lanjut diperlukan. Namun demikian, penelitian ini
tetap merupakan langkah awal yang signifikan dalam mengembangkan sistem yang obyektif
untuk membantu dokter membuat keputusan berbasis bukti mengenai perawatan optimal
untuk pasien OA lutut.