Epsilon Archive for Student Projects

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.

Orthopedic disease is the most common equine health problem all over the world and injury to the
locomotor system is the most common group of diagnoses in the Swedish horse population. To
successfully treat orthopedic conditions, one must first correctly identify the lame leg.
Previous studies have highlighted several drawbacks of subjective gait analysis. Inter-observer
agreement is unsatisfying regarding which leg is lame and grading of lameness. Agreement is
especially poor for mild lameness and hindlimb lameness. Diagnostic analgesia could potentially be
affected by expectation bias and also misinterpreted, producing false negatives and false positives.
Objective gait assessment has therefore been a focus for orthopedic research for a long time but has
now developed far enough to be used in clinical practice. There’s no validated grading scale in any
of the systems for quantitative gait analysis, only thresholds which indicate repeatability.
This study compared subjective and objective gait analysis of 10 horses in trot on a straight line
regarding primary and compensatory lameness, grading and type of lameness. The horses were
chosen to represent a symmetric gait pattern and an increasing grade of lameness, equally distributed
on fore- and hind limbs. Mild to severe lameness was verified by a positive diagnostic analgesia.
Subjective analysis was performed on videos by 12 vets with a mean experience of 16.4 years in
equine orthopedic practice. Objective analysis was performed by Sleip AI, a mobile application for
marker less optical motion capture, a recently developed AI-assisted technology for equine gait
analysis. The application uses computer vision to identify multiple body parts of the horse, track and
analyze their trajectory with machine learning. The vets also answered a questionnaire regarding
experience, confidence, and daily use of objective gait analysis. Inter-observer agreement was
estimated by calculation of Fleiss’ and Cohen’s kappa (κ) and was considered poor for κ ≤ 0.3,
acceptable κ = 0.31–0.5, good κ = 0.51–0.8 and excellent κ > 0.8. Correlation was estimated with
Pearson’s correlation coefficient (r) and Spearman’s rank correlation coefficient (rs).
Agreement for primary lameness (which limb) was acceptable (κ = 0.45) but poor for compensatory
lameness (κ = 0.26) and for grading of the primary lameness (κ = 0.24). Agreement between the vet
group and Sleip AI was good (κ = 0.63/0.75). Individual vets in good agreement with Sleip AI
regarding primary lameness was also more likely to agree with the vet group. They were also more
confident in their judgement and more consistent in their grading. Neither time in praxis, caseload
or use of objective gait analysis affected the individual vet’s agreement with the group or Sleip AI.
Due to a small data set and poor subjective agreement, this study is unable to present a reliable
model for correlation between subjective and objective lameness grading. To develop a reliable
model each assessor needs to grade more horses, same horse multiple times, preferably before/after
diagnostic analgesia.