Balance disorders can significantly impact individuals’ lives by affecting their mobility and increasing the risk of falls. Traditional diagnostic methods rely on subjective assessments by healthcare professionals, which can lead to inconsistencies and delays in treatment. In collaboration with Karolinska Institutet, this project aims to examine the potential of enhancing the diagnosis of balance disorders through the use of machine learning. Data is collected from a patient group using two methods: one by a doctor assessing the vestibular status, which serves as the criterion for diagnosing balance disorders, and another through a physiotherapist’s assessments, where they record the time when a patient fails during standardized balance tests. Simultaneously, patients wear sensors that capture motion data, enriching the physiotherapist’s evaluations with quantitative insights. To examine whether an independent machine learning tool could give a reliable assessment of overall balance health, this study was divided into two distinct phases. In the first phase, the project examines whether a machine learning model can accurately replicate doctors’ assessments of vestibular status based on results from physiotherapists’ tests. During this phase, a Support Vector Classifier (SVC) model achieved notable success, distinguishing between healthy and unhealthy patients with a mean F1 score of approximately 91% for healthy individuals and approximately 77% for those with balance disorders. This demonstrates the potential of a machine learning model to effectively replicate a doctor’s diagnostic ability. However, the model during this phase is not yet independent as it relies on the physiotherapist’s results. The second phase of the project focuses on using neural networks to replicate the physiotherapist’s results by predicting the exact time when patients fail the balance tests based on advanced sensor data. A Convolutional Neural Network (CNN) model is employed for this phase, achieving an accuracy of approximately 84% in predicting the failure time within a margin of ± 2.5 seconds. Given the promising outcomes of both phases, integrating these phases could likely create a tool that autonomously evaluates balance health using only sensor data, potentially enhancing both the accuracy and efficiency of diagnostics. Although the initial objectives of the two phases have been met, there is still substantial work to be done. Future efforts should focus on integrating the two phases and developing a user interface that makes the tool accessible and user-friendly for healthcare professionals. This integrated tool must be used and evaluated within healthcare settings to thoroughly assess its performance. Additionally, improving data preprocessing techniques and expanding the patient dataset are essential for refining the models and enhancing their accuracy.

Balansstörningar kan påverka individers liv genom att försämra deras rörlighet och öka deras fallrisk. Traditionella diagnostiska metoder förlitar sig på subjektiva bedömningar av vårdpersonal vilket kan leda till variation och förseningar i behandlingen. I samarbete med Karolinska Institutet syftar detta projekt till att undersöka potentialen att förbättra diagnostiken av balansstörningar genom användning av maskininlärnings algoritmer. Data har samlats in från en patientgrupp med två metoder: en genom en läkares bedömning av vestibulär status som fungerar som kriterium för diagnos av balansstörningar och en annan genom fysioterapeuters bedömningar där de registrerar tiden då en patient misslyckas under standardiserade balanstester. Samtidigt bär patienterna sensorer som fångar rörelsedata vilket berikar fysioterapeutens utvärderingar med kvantitativa insikter. För att undersöka om ett självstädnigt verktyg baserat på maskininlärning kan ge en tillförlitlig bedömning av den övergripande balanshälsan så delades studien in i två faser. I den första fasen undersöker projektet om maskininlärnings algoritmer kan replikera läkares bedömningar av vestibulär status baserat på resultat från fysioterapeuters tester. Under denna fas uppnådde algoritmen ”Support Vector Classifier” (SVC) framstående framgång genom att skilja mellan friska och ohälsosamma patienter med ett genomsnittligt ”F1-score” på cirka 91% för friska individer och cirka 77% för dem med balansstörningar. Detta visar på potentialen hos maskininlärning att effektivt replikera en läkares diagnostiska förmåga. Dock så är modellen i denna fas ännu inte självstädnigt eftersom den är beroende av fysioterapeutens resultat. Den andra fasen av projektet fokuserar på att använda neurala nätverk för att replikera fysioterapeutens resultat genom att förutsäga den exakta tiden då patienter misslyckas med balanstesterna baserat på sensordata. En ”Convolutional Neural Network” (CNN) används för detta och uppnår en noggrannhet på 84% i att förutsäga tiden då patienten misslyckas med testen inom en marginal av ± 2,5 sekunder. Med tanke på de lovande resultaten från båda faserna skulle en integration av dessa faser sannolikt kunna skapa ett verktyg som autonomt utvärderar balanshälsa endast med sensor data, vilket potentiellt förbättrar både diagnostisk noggrannhet och effektivitet. Även om de ursprungliga målen för de två faserna har uppnåtts så återstår det fortfarande betydande arbete. Framtida ansträngningar bör fokusera på att integrera de två faserna och utveckla ett användargränssnitt som gör verktyget tillgängligt och användarvänligt för hälsovårdspersonal. Det är viktigt att detta integrerade verktyg används och utvärderas i hälsovården för att noggrant kunna bedöma dess prestanda. Framöver bör det även fokuseras på att förbättra datat genom olika processeringsmetoder och att samla in mer data från en mer varierad grupp patienter.