La misurazione della pressione plantare è un’importante azione di monitoraggio in tante malattie del piede, a partire dal piede neuropatico dovuto al diabete per arrivare a fascite plantare, piede piatto e altre deformazioni strutturali o funzionali.
Inoltre, la pressione plantare è anche un parametro importante da usare nell‘analisi del passo. Grazie all’avvento delle nuove tecnologie e, in particolare, degli algoritmi di intelligenza arficiale applicati alla medicina, oggi è possibile effettuare una segmentazione del piede più precisa, non più basata sulle proporzioni anatomiche, ma su una serie di dati condivisi tra centri differenti.
Un recente studio, condotto dall’università tedesca di Kaiserslautern-Landau, propone proprio un metodo di segmentazione basato su un algoritmo di IA per calcolare la pressione plantare di un paziente in modo automatizzato.
Più nel dettaglio, il modello sviluppato è di tipo U-Net, ovvero una rete neurale convoluzionale specializzata nella segmentazione di immagini mediche.
La costruzione del modello
Il modello è stato elaborato partendo da 758 immagini di pressione plantare effettuate e valutate da esperti di diversi centri medici tedeschi, per un totale di 460 pazienti, dei quali 197 donne e 263 uomini.
Le immagini sono in parte prese in posizione statica e, in parte, in condizione dinamica. Le piante dei piedi sono state segmentate in 4 aree: alluce, metatarso 1, metatarso 2 – 5 e tallone.
Grazie all’uso di 3 modelli predittivi, gli autori hanno prima di tutto calcolato il centro dell’area metatarso 1 e l’interspazio tra il secondo e il terzo dito del piede, usandoli come punti chiave.
Successivamente, gli autori hanno usato il modello U-Net per ripetere le predizioni. Si è quindi proceduto con un confronto dei dati ottenuti.
U-Net: i risultati
Il modello ideato dal team tedesco riesce a equiparare l’accuratezza degli esperti nel definire la segmentazione della pianta del piede, soprattutto laddove i confini sono ben definiti. La sola zona a non rispettare questa definizione è proprio l’area metatarso 1, per la quale, in casi critici, può essere necessario affidarsi a esperti.
Se si considera, invece, il calcolo del centro di questa area metatarso 1, si vede come i risultati dati da U-Net non siano inferiori a quelli ottenuti con un modello di regressione o con un modello di insieme. Il terzo modello utilizzato, invece, genera più errori del modello di IA sviluppato.
U-Net consente, inoltre, di ridurre il rischio di errore umano associato alle procedure standard e facillità l’uso di dati provenienti da diversi centri e generati con diversi hardware, di fatto riducendo anche i costi.
Dindorf C, Dully J, Simon S, Perchthaler D, Becker S, Ehmann H, Diers C, Garth C, Fröhlich M (2025), Toward automated plantar pressure analysis: machine learning-based segmentation and key point detection across multicenter data. Front. Bioeng. Biotechnol. 13:1579072. doi: 10.3389/fbioe.2025.1579072
