Neuromuskuläre Funktionen bei Amputationen erhalten

05.02.2025

Zwei SimTech Promovierende entwickeln Modelle, um das Verhalten von Skelettmuskeln zu simulieren. Damit sollen Ärztinnen und Ärzte bei einer innovativen Operationsmethode bei der Amputation von Gliedmaßen unterstützt werden. Ziel ist es, so viel wie möglich von den neuromuskulären Funktionen zu erhalten, damit Signale von den verbleibenden Muskeln an das Nervensystem gesendet werden können. Dieses neuronale Feedback ist wichtig für den Erhalt sensorischer Informationen und steigert die Lebensqualität von amputierten Menschen.

true" ? copyright : '' }

Agonisten und Antagonisten sind beispielsweise der Bizeps und der Trizeps oder der Musculus fibularis longus, ein Muskel im hinteren Unterschenkel und der Musculus tibialis anterior, der vordere Schienbeinmuskel.

Unsere Muskeln interagieren im Körper untereinander durch sogenanntes neuronales Feedback, also über elektrische Signale, die vom Muskel an das neuronale System gegeben werden und wieder zurück zu anderen Muskeln. Bei Amputationen wird diese Interaktion mehr oder weniger zerstört, je nachdem, wo die Amputation erfolgt. Mit einer neuen Amputationstechnik, genannt AMI (Agonist-Antagonist-Myoneural-Interface) werden deshalb Muskelpaare, die zusammengehören, wie Agonist und Antagonist – auch Spieler und Gegenspieler genannt - über eine Sehne miteinander verbunden. So können die ursprünglichen Funktionen des Muskels wie Dehnen und Zusammenziehen erhalten bleiben und die Propriozeption rekonstruiert werden.

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 

Darstellung eines Muskelpaares vor (a) und nach (b) einer AMI Amputation. Neuronen im Rückenmark (grau) aktivieren Muskeln durch das Aussenden von elektrischen Signalen. Dieses elektrische Signal hängt auch zu Teilen von neuronalem Feedback ab, das die Neuronen von den Muskeln erhalten. Beim amputierten Unterschenkel (b) werden die verbleibenden Muskeln durch ihre Sehnen (orange) chirurgisch verbunden, um ein Agonist-Antagonist-Muskelpaar zu bilden. Die verbundenen Sehnen werden durch eine künstliche Führung (grün) gelegt. 

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.“ 

Ein Multi-X-Modell modelliert räumliche und zeitliche Skalen mehrerer Größenordnungen (Multiskalen) und eine Vielzahl gekoppelter physikalischer Phänomene und Materialien (Multiphysik).

So entsteht ein sehr komplexes Modell aus vielen Gleichungen, die miteinander kombiniert werden, ein sogenanntes Multi-X-Modell. „Es besteht beispielsweise aus Gleichungen, die die Verformung des Muskels oder den Transport des Signals über eine Muskelfaser beschreiben. Zusätzlich haben wir bei der Aktivierung des Muskels noch chemische Prozesse, die stattfinden, damit der eine Muskel aktiviert und der andere gehemmt wird“, erklärt Robin Lautenschlager. Auch dies wird in Gleichungen ausgedrückt. Je nach Modell sind das bis zu 50 einzelne Gleichungen, die diese Prozesse beschreiben.

Ein Abbild des Muskels simulieren

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.“

OpenDiHu ist eine hochleistungsfähige, open-source Software für detaillierte, systemische Simulationen von Skelettmuskeln. Sie ermöglicht die Lösung einer Vielzahl von Multiskalenmodellen, einschließlich der 3D-Muskelmechanik, messbarer elektromyographischer Signale, anhand derer sich die Muskel- und Nervenfunktion beurteilen lassen, der Ausbreitung von Aktionspotentialen im Muskelgewebe, subzellulärer bio-chemo-elektrischer Prozesse und der neuronalen Steuerung des Muskels.

Hat sie das Problem identifiziert, weiß sie in der Regel auch die Lösung. „Der knifflige Teil besteht normalerweise darin, herauszufinden, was schiefläuft. Dann muss man es einfach noch einmal mit einer neuen Lösung versuchen. Man muss viel ausprobieren, wie bei Experimenten im Labor auch.“ Dabei verwendet sie die Software OpenDiHu, die die Funktionsweise von Muskeln in sehr hoher räumlicher und zeitlicher Auflösung simulieren kann und entwickelt diese weiter.  

Mit ihr kann die Wissenschaftlerin dann am Computer abbilden, wie sich Muskeln und Sehnen verhalten, je nachdem, wie sie aktiviert werden, welche elektromyographische Signale sie erhalten oder welche biochemo-elektrische Prozesse ablaufen. Elektromyographische Signale sind elektrische Signale, die entstehen, wenn Muskeln aktiviert werden, zum Beispiel sich zusammenziehen. Mittels Elektroden können sie direkt auf der Haut gemessen werden.

Carme Homs-Pons will die Software OpenDiHu dahingehend verbessern, dass Muskelmodelle noch genauer abgebildet werden. Dafür musste sich Carme Homs-Pons auch das nötige Wissen in Biologie aneignen. „Ich musste die Grundlagen der Modellierung von Muskeln verstehen und mir einen minimalen Überblick über die biologischen Prozesse verschaffen, weil es sonst sehr schwer ist, Fehler zu finden. Man muss ja eine Vorstellung davon haben, was vor sich gehen sollte und was sinnvoll ist oder nicht.“

Datenschutz erschwert realere Abbildungen

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.

„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.“

Carme Homs-Pons, SimTech Doktorandin

Was ist ein gutes Modell?

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.“

Vordehnung des Muskels ist entscheidend

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.“

Wie erhält man den Input zum Output?

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.

Der Erwartungswert gibt an, welche Werte man im Durchschnitt erwarten kann. Die Standardabweichung gibt an, wie weit die Werte vom Erwartungswert abweichen. Beide sind ein Gradmesser dafür, wie wahrscheinlich es ist, dass ein bestimmter Wert erreicht wird.

„Habe ich dann einen Wert als Resultat, stellt sich die Frage: Wie stark kann ich dem vertrauen? Ist er jetzt gut oder schlecht, ist er sicher oder unsicher?“, so Robin Lautenschlager. Deshalb verwendet er einen Ansatz aus der Statistik, die sogenannte Bayesianische Parameter Inferenz. Dieser Ansatz arbeitet mit Wahrscheinlichkeiten und ordnet der Simulation einen Fehler zu.

Die Unsicherheit wird sozusagen in das Modell mit eingebaut. So erhält Robin Lautenschlager eine Wahrscheinlichkeitsverteilung mit Erwartungswert und Standardabweichung und kann anhand dessen bestimmen, welcher Eingabewert am wahrscheinlichsten zum gewünschten Ergebnis beiträgt. Dafür wendet er die Markov-Chain-Monte-Carlo-Methode an. 

„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.

Punktverteilung der möglichen Werte für die spannungsfreie Länge (SF-Länge) der gepaarten Muskeln

Die möglichen Werte (samples) wurden nach der Markov-Chain-Monte-Carlo-Methode (MCMC) ausgewählt. Sie führen zum Erwartungswert des Input (gelb), der mit dem exakten Inputwert (grün) verglichen wird.

Vereinfachte Ersatzmodelle, damit die Simulation schneller wird

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

Das Projekt „Modellierung, Simulation und Optimierung für Agonist-Antagonist Myoneural Interface Amputationen“ ist Teil des von der DFG geförderten Schwerpunktprogramms SPP 2311: Robuste Kopplung kontinuumsbiomechanischer in silico Modelle für aktive biologische Systeme als Vorstufe klinischer Applikationen - Co-Design von Modellierung, Numerik und Nutzbarkeit.

Projektleiter:

  • Dominik Göddeke, Institut für Angewandte Analysis und Numerische Simulation (IANS), Universität Stuttgart
  • Miriam Schulte, Institut für Parallele und Verteilte Systeme (IPVS), Universität Stuttgart
  • Oliver Röhrle, Institut für Modellierung und Simulation Biomechanischer Systeme (IMBS), Universität Stuttgart

Weitere Informationen

Zum Weiterlesen

Homs-Pons, R. Lautenschlager, L. Schmid, J. Ernst, D. Göddeke, O. Röhrle and M. Schulte, Coupled simulations and parameter inversion for neural system and electrophysiological muscle models, GAMM-Mitteilungen. 47 (2024), e202370009. https://doi.org/10.1002/gamm.202370009

Maier, B.; Göddeke, D.; Huber, F.; Klotz, T.; Röhrle, O. & Schulte, M. (2024). OpenDiHu: An Efficient and Scalable Framework for Biophysical Simulations of the Neuromuscular System, Journal of Computational Science. https://doi.org/10.1016/j.jocs.2024.102291

Über die Wissenschaftlerin und den Wissenschaftler

Carme Homs-Pons hat an der Universitat Politècnica de Catalunya in Barcelona Physik studiert. Sie entschied sich für die klassische Physik, bei der die Simulation das wichtigste Fachgebiet ist. Die dafür nötigen Computer- und Programmierkenntnisse eignete sie sich im Masterstudiengang „Computational Science and Engineering“ an der Technischen Universität München an. An der Universität Stuttgart reizte sie für eine Promotion die biomechanische Anwendung des Themas. Seit 2022 promoviert sie in SimTech bei Prof. Miriam Schulte im Bereich Neuromuscular Simulations und im Schwerpunktprogramm 2311 (SPP 2311). Ihr gefällt der Gedanke, dass ihre Arbeit dabei helfen könnte, auf lange Sicht die Gesundheit von Menschen zu verbessern.

Robin Lautenschlager hat Mathematik im Bachelor und im Master an der Universität Stuttgart studiert. Er liebt die Numerik, das heißt Algorithmen für mathematische Probleme zu finden und sie zu programmieren. Es gefällt ihm aber auch, wenn seine Lösungen zu realen Anwendungen aus der Physik, Biologie oder Wirtschaft beitragen. Seit 2022 promoviert er bei Prof. Dominik Göddeke in SimTech und im Schwerpunktprogramm 2311 (SPP 2311). Da er selbst gerne Sport treibt, findet er es sehr spannend, sich intensiv mit dem Thema Muskeln auseinanderzusetzen und das System zu simulieren. 

Zum Seitenanfang