استخدام التعلم الآلي لتحليل المشية الرقمية في الترنح باستخدام التقاط الحركة بدون مستشعرات

لماذا تهم مقاطع الفيديو للمشي لصحة الدماغ

فقدان التوازن والتناسق هو سمة مميزة للترنح، وهو مجموعة من الاضطرابات التنكسية العصبية التي تجعل المشي يصعب تدريجياً. اليوم، يقوم الأطباء عادةً بتقييم مشية الشخص بمقياس سريري بسيط قد يغفل التغيرات المبكرة والدقيقة. تطرح هذه الدراسة سؤالاً مهماً: هل يمكن لتسجيلات الفيديو العادية لأشخاص يمشون، عند تحليلها بواسطة التعلم الآلي، أن تكتشف مشاكل المشية مبكراً وتتعقبها بدقة أكبر — دون أي مستشعرات قابلة للارتداء أو معدات مختبرية متخصصة؟

رؤية الحركة من خلال عدسة رقمية

عمل الباحثون مع 91 بالغاً يعانون أشكالاً مختلفة من الترنح و28 متطوعاً سليمًا كانوا يخضعون للتقييم بالفعل في مركز ألماني لأمراض التنكس العصبي. خلال الزيارات الروتينية، أدى كل شخص مهمة المشي العادية بينما كان يتم تصويره بكاميرا جهاز لوحي واحد موضوع أمامه. قام أطباء الأعصاب بتقييم قدرة المشي باستخدام البند الأول من مقياس قياسي يدعى SARA، والذي يقيس المشي من المشي الطبيعي إلى العجز عن المشي. خدمت هذه الدرجات الميدانية كـ "الحقيقة الأرضية" التي سيتم مقارنة النظام الرقمي بها.

من البكسلات إلى حركة الجسم

لتحويل الفيديو الخام إلى حركة قابلة للقياس، استخدم الفريق خوارزمية تقدير الوضع تُدعى AlphaPose. يتتبع هذا البرنامج نقاطاً مهمة في الجسم — مثل الوركين والكتفين والمعصمين والكاحلين — في كل إطار فيديو، مُنشئاً سلاسل زمنية تصف كيفية تغير المواضع والمسافات وزوايا المفاصل أثناء كل خطوة. من هذه الإشارات، بنى الباحثون عدة نماذج تعلم آلي. استخرج بعض النماذج مئات الميزات الرياضية التي تصف أنماط الحركة، مثل مدى تذبذب زاوية مفصل ما، بينما استخدمت نماذج أخرى طرقاً سريعة مبنية على الالتفاف مخصصة لبيانات السلاسل الزمنية. دُرّبت النماذج إما على إعادة إنتاج درجة المشي الرقمية للطبيب أو على تحديد أي من مجموعتين (على سبيل المثال، سليم مقابل متأثر بشكل طفيف) ينتمي إليها الشخص.

مضاهاة وتجاوز الحكم البشري

المجموعة ذات الأداء الأفضل استخدمت استخراج الميزات مع مجموعة أدوات tsfresh إلى جانب طريقة أشجار القرار المعززة بالتحسين المتدرج (XGBoost). أعاد هذا النموذج إنتاج درجات المشي الخاصة بالأطباء بدقة جيدة وتفوق قليلاً على "الخط الأساس البشري": تقييمات توافقية من ثلاثة أطباء أعصاب مدرَّبين قيّموا الفيديوهات بعد ذلك. كان النظام الرقمي قوياً بصورة خاصة في التمييز بين الأشخاص ذوي مستويات مختلفة بوضوح من مشاكل المشية، لكنه تعامل أيضاً مع الفوارق الدقيقة جداً. ومن اللافت أنه استطاع التمييز بين المتطوعين الأصحاء وحاملي الجينات الذين ما زالوا يبدون أنهم يمشون بشكل طبيعي أمام الفاحصين البشريين، محققاً تصنيفاً أفضل بكثير من الصدفة. بعبارة أخرى، اكتشف الخوارزمية شذوذاً خفياً في المشية قبل أن يظهر في الفحوصات السريرية الروتينية.

إلقاء نظرة داخل الصندوق الأسود

لفهم ما الذي "ينظر" إليه النموذج، استخدم الفريق طريقة للذكاء الاصطناعي القابل للتفسير تُدعى SHAP لترتيب إشارات الحركة الأكثر تأثيراً في قراراته. برزت زوايا الكتفين والوركين كمساهمات رئيسية، وهو ما يتوافق مع الخبرة السريرية بأن المصابين بالترنح غالباً ما يوسعون قاعدة دعمهم ويستخدمون ذراعيهم للتعويض عن فقدان التوازن. مع مرور الوقت، تتبّع الباحثون كيف تغيرت ميزات رقمية مختارة لدى 30 مريضاً أجروا زيارات متكررة. بينما كادت درجة المشية السريرية القياسية ألا تتغير في المتوسط، أظهرت عدة علامات مشتقة من الحركة اتجاهات متسقة، مرتبطة ارتباطاً وثيقاً بالزمن ومتكيفة مع مستوى الإعاقة الأساسي لكل شخص. هذا يشير إلى أن المقاييس الرقمية قادرة على التقاط التقدم التدريجي الذي يغفل عنه المقياس السريري الخشن في كثير من الأحيان.

العدالة والعملية والاستخدام المنزلي

أدى النموذج الأفضل أداءً بشكل مماثل عبر الفئات العمرية المختلفة وبين الرجال والنساء، مما يوحي بإمكانية استخدامه على نطاق واسع دون تحيّز ديموغرافي قوي. وبما أن النظام يعمل من فيديو واحد مواجه مأخوذ بجهاز لوحي استهلاكي، فيمكن دمجه في الزيارات العيادية العادية ومع إرشادات أساسية حول وضع الكاميرا والخلفية يمكن توسيعه ليشمل تسجيلات منزلية. وهذا يتباين مع أنظمة تحليل المشية التقليدية التي تتطلب عدة كاميرات أو علامات ملصقة على الجلد أو مستشعرات قابلة للارتداء قد يجدها بعض المرضى غير مريحة أو غير عملية للمراقبة المتكررة.

ما يعنيه هذا للمرضى والرعاية

تُظهِر الدراسة أن مقاطع فيديو المشي البسيطة، عند تحليلها بتقنيات التعلم الآلي الحديثة، يمكنها ليس فقط إعادة إنتاج بل وتحسين قليلاً تقييمات الخبراء السريرية لمشية المصابين بالترنح. والأهم من ذلك، أن النهج الرقمي يكشف عن تغيّرات مبكرة وبطيئة يميل البشر إلى تجاهلها. بالنسبة للمرضى والأطباء، يفتح هذا الباب أمام الكشف المبكر عن بداية المرض، وتعقب أكثر حساسية لمدى فعالية العلاجات، والمراقبة الملائمة في المنزل. ومع جمع المزيد من البيانات وتحسين الأساليب، قد تصبح مثل هذه العلامات الحيوية الرقمية المعتمدة على الفيديو جزءاً روتينياً من إدارة الترنح وتقييم العلاجات الجديدة.

الاستشهاد: Wegner, P., Grobe-Einsler, M., Reimer, L. et al. Leveraging machine learning for digital gait analysis in ataxia using sensor-free motion capture. Commun Med 6, 167 (2026). https://doi.org/10.1038/s43856-025-01258-y

الكلمات المفتاحية: مشية الترنح, التقاط حركة بالفيديو, التعلم الآلي, العلامات الحيوية الرقمية, اضطرابات الحركة العصبية