Jämförelse mellan hältbedömning av häst utförd av 12 klinikveterinärer och en applikation baserad på datorseende

Abstract: Ortopediska sjukdomar är hästens största medicinska problem världen över och sjukdomar i rörelseapparaten är den vanligaste anledningen till att svenska hästar behandlas av en veterinär. För framgångsrik behandling av ortopediska problem krävs i första hand en korrekt identifiering av det halta benet. Tidigare publicerade studier har visat att subjektiv rörelseanalys utförd av veterinärer lider av flera brister. Överensstämmelsen mellan veterinärers subjektiva bedömningar av hälta är otillfredsställande, speciellt vid låggradiga och bakbenshältor, både med avseende på ben och grad. Bedömningen av diagnostiska anestesier kan påverkas av bias eller tolkas felaktigt. Objektiva metoder för att kvantifiera asymmetri har därför länge varit ett fokus för ortopedisk forskning och har idag utvecklats tillräckligt för att användas i praktiskt kliniskt arbete. Idag existerar ingen validerad skala för hältgradering i något av de objektiva systemen utan endast ett tröskelvärde som indikerar repeterbarhet mellan mätningar. Denna studie jämförde subjektiv och objektiv rörelseanalys av 10 hästar i trav på trakt spår med avseende på primär och kompensatorisk hälta, hältgrad och hälttyp. Hästarna hade valts ut för att representera ett symmetriskt rörelsemönster samt en ökande grad av asymmetri jämnt fördelat mellan fram- och bakben. Lindrig till kraftig hälta hade verifierats med en positiv diagnostisk anestesi. Den subjektiva analysen utfördes på video, av 12 veterinärer med i snitt 16,4 års erfarenhet inom hästortopedi. Den objektiva analysen utfördes av Sleip AI, en mobil applikation för markörlös optisk motion capture, en nyligen utvecklad AI-assisterad teknik för rörelseanalys. Applikationen använder datorseende för att identifiera hästens kroppsdelar och analyserar dess rörelsebanor med hjälp av maskininlärning. Veterinärerna besvarade även frågor om erfarenhet, säkerhet och användande av objektiv rörelseanalys i en enkät. Överensstämmelse analyserades med Fleiss’ och Cohens kappa och tolkades som dålig κ ≤ 0,3, acceptabel κ = 0,31–0,5, bra κ = 0,51–0,8 och mycket bra för κ > 0,8. Korrelation beräknades med Pearsons korrelationskoeffecient (r) och Spearmans rangkorrelationskoefficient (rs). Överensstämmelsen inom veterinärgruppen skiljer sig i denna studie inte nämnvärt från tidigare studier. För primärhalt ben var samstämmigheten acceptabel (κ = 0,45), men för kompensatoriskt halt ben (κ = 0,26) och gradering av primärhälta (κ = 0,24) var den dålig. Överensstämmelsen mellan veterinärgruppen och Sleip AI var bra (κ = 0,63/0,75). Veterinärer som var överens med Sleip AI med avseende på primärhalt ben var också mer samstämmiga med resten av veterinärgruppen. De var dessutom säkrare i sin bedömning och mer konsekventa i sin hältgradering. Varken tid i praxis, antal fall/år eller användande av objektiv rörelseanalys påverkade den enskilde veterinärens överensstämmelse med gruppen eller Sleip AI. På grund av för liten datamängd samt dålig subjektiv samstämmighet kan denna studie inte presentera en fungerande modell för sambandet mellan subjektiv och objektiv gradering. För att i framtida studier utarbeta en fungerande modell bör varje bedömare gradera fler hästar, gärna samma häst flera gånger exempelvis före/efter diagnosisk anestesi.