Neuromuskuläre Funktionen bei Amputationen erhalten

Die Propriozeption ist unser „sechster Sinn“ mit dem wir über Empfindungen die Lage unseres Körpers im Raum wahrnehmen und spüren können, ob beispielsweise ein Muskel angespannt ist. Die Wiederherstellung der Propriozeption bei amputierten Gliedmaßen verbessert die motorische Kontrolle des Stumpfes und damit die Prothesensteuerung. Zudem werden Phantomschmerzen reduziert. Die Operationstechnik AMI erfordert ein Vordehnen der verbleibenden Muskeln, das letztendlich den Bewegungsumfang des Muskels beeinflusst. 

Zusammenspiel der Muskelpaare Agonist und Antagonist 

Computermodelle können diese Operationstechnik unterstützen, indem beispielsweise die optimale Vordehnung des Muskels per Simulation bestimmt wird. Um dieses komplexe System zu modellieren, erfordert es die Zusammenarbeit von Wissenschaftler*innen unterschiedlicher Disziplinen. Dazu Robin Lautenschlager, Doktorand bei SimTech: „Zunächst überlegen sich Biomechaniker*innen, wie eine Amputation und das Muskelverhalten in mathematischen Gleichungen ausgedrückt werden kann. Sie beschreiben damit das ganze System und machen es berechenbar.“ 

Nun müssen die Werte im Modell untereinander ausgetauscht werden können und aufeinander abgestimmt sein, damit das Modell funktioniert. Hier beginnt die Arbeit der SimTech Doktorandin Carme Homs-Pons. Die Physikerin und Informatikerin entwickelt Methoden und Algorithmen, wie diese Gleichungen am Computer zusammengefügt und gelöst werden können. „Ich arbeite im Grunde nur am Computer und führe dort Experimente durch“. Mit Experimenten meint die Spanierin Simulationen.

Eine Methode, die sie dabei anwendet, ist die Trial and Error-Methode, das Prinzip von Versuch und Irrtum. So nähert sie sich schrittweise der exakten Lösung: „Nehmen wir an, ich habe eine Simulation, in der der Muskel auf eine bestimmte Weise aktiviert wird. Ich lasse die Simulation laufen, und es funktioniert. Anschließend gehe ich einen Schritt weiter, aktiviere den Muskel auf eine genauere Art und Weise und lasse die Simulation erneut laufen. Tritt nun ein Problem auf, muss ich zurückgehen und herausfinden, wo das Problem liegt.“

Die Muskelgeometrien, also das tatsächliche Aussehen der Muskeln, können durch Bilder gewonnen werden. „Es gibt Studien, die an toten Körpern durchgeführt wurden. Diese sind sehr nützlich, weil man sie online finden kann. Dort hat man Zugang zu einigen bestimmten Geometrien. Die Daten sind anonymisiert wie bei medizinischen Studien auch“, erklärt Carme Homs-Pons. So kann beispielsweise der Bizep mit mit der OpenDiHu-Software simuliert werden. Die Abbildung kommt dem tatsächlichen Aussehen des Muskels sehr nah.

“Aber wenn man nun etwas patientenspezifisch, von lebenden Personen, abbilden will, dann ist es aufgrund des Datenschutzes ziemlich schwierig, an diese Geometrien heranzukommen“, erklärt Carme Homs-Pons. Sie will in einem nächsten Schritt versuchen, von Kolleg*innen, die beispielsweise am Schienbeinmuskel forschen, Zugang zu deren Bilder zu erhalten. Deshalb werden die Beinmuskeln zunächst als Kuboide dargestellt. Die Herausforderung ist es anschließend, das Muskel-Sehne-Muskel-System in der OpenDiHu-Software zu koppeln, so dass auch die Beinmuskeln in ihrer realen Geometrie dargestellt werden.

Was aber ein gutes Modell ist, das ist gar nicht so einfach zu beantworten. „Manchmal ist es offensichtlich. Wenn ich zum Beispiel meinen Muskel visualisiere und sehe, dass er nicht so aussieht, wie er aussehen sollte, dann ist es sehr offensichtlich, dass meine Simulation fehlgeschlagen ist. Zu definieren, was gut ist, ist eigentlich schwieriger, als zu definieren, was falsch ist, denn zunächst einmal gibt es das Problem, zu wissen, was näher an der Realität ist“, so Carme Homs-Pons. Das müsse man erst mal entscheiden.

„Ich modelliere zum Beispiel Muskeln und was im Inneren der Muskeln passiert. Aber wir wissen nicht wirklich, was im Inneren des Muskels passiert, denn niemand kann den Muskel einer lebenden Person nehmen, die den Arm bewegt und genau sagen, was vor sich geht. Es gibt keine nicht-invasive Methode, um zu sehen, was vor sich geht. Deshalb ist es etwas schwierig, zu beurteilen, wie gut die Modelle sind. Was man tun kann, ist zu beurteilen, ob etwas nicht falsch ist. Wenn ich etwas mache, das nicht falsch aussieht, dann verfeinere ich es weiter. Aber das ist ein Prozess, der nie endet. Ich glaube nicht, dass wir jemals ein Modell haben werden, das perfekt ist, aber vielleicht haben wir ein Modell, das so gut ist, dass Ärzte es verwenden können.“

Damit es soweit kommt, ist noch ein letzter Schritt nötig, die Arbeit von Robin Lautenschlager. „Wir haben nun das mathematische Modell, haben es eingegossen in ein Computerprogramm, haben eine lauffähige Muskelsimulation, in die Parameter eingegeben werden wie Aktivierungen oder Muskellängen. Nun komme ich ins Spiel, indem ich versuche, die medizinischen Anforderungen bei der Amputation umzusetzen“, erklärt der Mathematiker.

Die Anforderungen betreffen in erster Linie, wie weit der Muskel vorgedehnt werden muss, wenn Agonist und Antagonist durch die Sehne miteinander verbunden werden. Vorgaben und Feedback erhält er von der Chirurgin und Amputationsexpertin Jennifer Ernst, die die neue Amputationstechnik an der Medizinischen Hochschule Hannover durchführt. Der Pre-Stretch, wie die Vordehnung des Muskels auch genannt wird, bestimmt das Verhalten der Muskeln nach der Amputation. Sind die Muskeln vor ihrer Verbindung durch die Sehne locker, verhalten sie sich anders als wenn sie angespannt sind und dann verbunden werden.

Auch hier stellt sich die Frage: Was ist ein guter Pre-Stretch? „Eine Anforderung der Ärztin könnte nun lauten, dass am Ende die sogenannte Range of Motion, also der Bewegungsumfang, maximal ist oder eine bestimmte Länge hat. Auch bei einer Amputation möchte man, dass die Muskeln sich noch maximal bewegen können“, erklärt Robin Lautenschlager. Das ist das Ziel seiner Forschung. Dafür muss er zunächst optimale Parameter für den Pre-Stretch herauszufinden, denn durch zu viel Vordehnung kann der Muskel reißen. „Und da kommt jetzt die Mathematik ins Spiel. Ich habe einen Wert, den ich haben möchte und muss nun herausfinden, welche Eingabeparameter dazu passen.“

Das nennt sich ein inverses Problem, weil man die Eingabeparameter nicht kennt. Der Pre-Stretch ist so ein Eingabeparameter. Man weiß, was man am Ende herausbekommen möchte: eine gewisse Bandbreite des Bewegungsumfangs, aber man kennt den Eingabewert nicht. Seine Herausforderung ist es nun, die geeigneten mathematischen Methoden zu finden, um dieses inverse Problem zu lösen. Das heißt, er muss einen Algorithmus finden, der ihm mit dem Modell von Carme Homs-Pons die Eingabeparameter liefert, um den Pre-Sretch der Muskeln simulieren zu können.

„Ich starte mit einem beliebig gewählten Input, simuliere ihn und erhalte einen Output. Dann schaue ich, wie gut ist dieser Output im Vergleich zu meinen beobachteten Daten? Wenn er schlecht ist, verwerfe ich ihn, wenn er gut ist, behalte ich ihn“, erklärt Lautenschlager. Das ist das Prinzip der Markov-Chain: Er baut sozusagen eine Kette von einem Input zum nächsten und erhält eine Verteilung von Punkten oder Werten, die möglich sind, als Input für die Resultate. „Und die Methode funktioniert überraschend gut, zumindest für die Anwendungsfälle, die wir haben“, so Robin Lautenschlager.

Die Problematik besteht in der Zeit für die Simulation. „Für diese Methode muss ich diese Vorwärtssimulation sehr, sehr oft ablaufen lassen, weil ich ja immer wieder ein neues Input-Beispiel testen muss.“ Ein Simulationslauf kann je nach Methode mehrere Tage oder Wochen dauern, das ist vor einer Operation unmöglich. „Deswegen entwerfe ich ein sogenanntes Surrogat-Modell. Das ist ein vereinfachtes Modell, das dieses Vorwärtsproblem, diese komplexe Muskelsimulation mit den vielen Gleichungen in OpenDiHu ersetzt. Es läuft viel schneller als das eigentliche Modell“, erklärt Robin Lautenschlager.

„Das heißt, wir haben uns erst von der Modellierung bis zur Simulation ein sehr komplexes Modell überlegt, das so gut wie möglich die Muskeln beschreiben soll. Nun vereinfache ich dieses Modell wieder – natürlich motiviert durch das komplizierte Modell“, erklärt er weiter. Dafür verwendet er Methoden des maschinellen Lernens. Mit den Input- und Output-Daten der Simulation trainiert er ein neuronales Netzwerk, das lernt, wie man die Input-Daten auf den Output-Daten abbildet. Mit diesem Ersatzmodell dauert die Simulation dann von einigen Minuten bis wenige Stunden.

„Damit Robin sein Modell entwickeln kann, muss er es mit meinem validieren. Das bedeutet, um zu wissen, dass das vereinfachte Modell funktioniert, muss man es mit dem feinen Modell vergleichen und sehen, dass sie die gleichen Ergebnisse liefern“, erklärt Carme Homs-Pons. „Seine Simulation muss das Ergebnis meiner Simulation lernen.“ Das ist ein iterativer Prozess, bei dem beide ihre Simulationen durchführen, sie vergleichen und wieder anpassen.

Die Forschung ist noch nicht abgeschlossen. Aber selbst, wenn die Wissenschaftler*innen das Problem gelöst haben, wird es nicht so sein, dass man vor jeder Amputation diese Simulation laufen lässt und genaue Werte erhält. „Unsere Forschung ist noch weit davon entfernt, eine patientenspezifische Simulation zu unterstützen. Allerdings könnten wir den Chirurgen bereits jetzt nützliche Einblicke geben, da wir ihnen eine Plattform bieten, auf der sie mit Parametern spielen und deren Auswirkungen herausfinden können“, sagt Robin Lautenschlager.

Manuela Mild | SimTech Science Communication