Classification par apprentissage automatique de la maladie de Parkinson au stade précoce à partir de caractéristiques biomécaniques du passage assis-debout-et-marche

Pourquoi se lever d’une chaise compte

Pour de nombreux adultes âgés, se lever d’une chaise puis faire les premiers pas peut sembler un peu instable. Pour les personnes au tout début de la maladie de Parkinson, ce geste quotidien peut discrètement révéler des troubles de l’équilibre et du contrôle du mouvement bien avant que les symptômes ne deviennent évidents. Cette étude examine si une courte tâche « assis‑à‑marche », combinée à des capteurs de mouvement et à l’apprentissage automatique, peut aider à détecter la maladie de Parkinson plus tôt et de façon plus objective que l’observation clinique standard seule.

Un examen approfondi d’un mouvement quotidien

Les chercheurs se sont concentrés sur la tâche assis‑à‑marche, qui combine deux actions exigeantes : se relever d’une chaise et se mettre en marche. Cette transition sollicite l’équilibre car le poids du corps se déplace rapidement vers l’avant et sur une jambe. Dans l’étude, 63 personnes atteintes de Parkinson au stade précoce et 43 adultes du même âge sans la maladie ont réalisé cette tâche à un rythme confortable. Pendant le mouvement, un ensemble de caméras, des plateformes de force au sol et de petits capteurs sur leurs muscles des jambes ont enregistré le comportement du corps et des muscles depuis l’instant de l’inclinaison vers l’avant jusqu’à l’achèvement des deux premiers pas.

De centaines de mesures à quelques signaux clés

Chaque essai assis‑à‑marche a été divisé en phases, de la première inclinaison du tronc à l’appui du second pied, et plus de 200 mesures ont été extraites. Celles‑ci incluaient la vitesse de déplacement du centre de masse du corps, l’amplitude de son déplacement par rapport à la pression sous les pieds, et les rotations du tronc et des jambes. Des algorithmes informatiques avancés ont trié ce volumineux jeu de données. En utilisant des méthodes de random forest et de gradient boosting, l’équipe a d’abord réduit les mesures à 26 qui distinguaient le mieux les personnes atteintes de Parkinson précoce des volontaires sains. Une analyse statistique supplémentaire a ensuite restreint cette liste à seulement trois marqueurs biomécaniques qui, ensemble, portaient la majeure partie de l’information utile.

À quoi ressemble la Parkinson précoce en mouvement

Les trois marqueurs cruciaux traduisaient la façon dont les personnes contrôlaient leur masse corporelle et leur tronc lors du lever et des premiers pas. Comparées à leurs pairs sains, les personnes atteintes de Parkinson précoce déplaçaient leur centre de masse plus lentement sur l’ensemble de la tâche, le faisaient avancer sur une distance plus courte par rapport à la pression sous les pieds durant la première phase d’appui, et fléchissaient le haut du dos sur une amplitude plus réduite. Ces schémas suggèrent un transfert de poids prudent et raccourci et un tronc plus raide — des adaptations qui pourraient compenser une altération déjà subtile des circuits cérébraux de planification du mouvement. L’étude a également mis en évidence des différences gauche‑droite accrues dans l’activité des muscles du bas de la jambe chez le groupe Parkinson, ce qui reflète la tendance de la maladie à débuter d’un côté du corps.

Apprendre aux ordinateurs à reconnaître le motif

Munis de ces marqueurs, les chercheurs ont entraîné plusieurs modèles d’apprentissage automatique à distinguer les personnes atteintes de Parkinson de celles qui ne l’étaient pas. Alimenté par les 200 mesures initiales, le meilleur modèle, un classificateur random forest, a correctement classé les participants environ 87 % du temps. L’utilisation des 26 caractéristiques les plus importantes a légèrement amélioré ce résultat à environ 92 %. Fait remarquable, lorsque le modèle s’appuyait uniquement sur les trois marqueurs finaux de la tâche assis‑à‑marche, son exactitude restait solide autour de 85 %. Cela montre qu’un ensemble très compact de signaux de mouvement, issu d’une tâche quotidienne simple, peut fournir des informations robustes sur la maladie au stade précoce.

Ce que cela pourrait signifier pour les soins quotidiens

Les auteurs concluent que des changements subtils dans la façon dont les personnes se lèvent et effectuent leurs premiers pas peuvent servir d’avertisseurs précoces sensibles de la maladie de Parkinson. Parce que les trois marqueurs clés reflètent de petites variations de la vitesse globale du corps, du transfert de poids vers l’avant et du mouvement du tronc, ils pourraient potentiellement être mesurés avec des outils plus simples tels que des capteurs portables ou des plateformes de mouvement en clinique. Si ces résultats sont confirmés dans des groupes plus larges et plus diversifiés, cette approche pourrait donner aux médecins un moyen rapide et non invasif de dépister la maladie de Parkinson chez les adultes âgés et d’identifier ceux qui présentent un risque accru de chutes — bien avant l’apparition de symptômes plus évidents.

Citation: Kim, M., Youm, C., Park, H. et al. Machine learning classification of early-stage Parkinson’s disease using sit-to-walk biomechanical features. Sci Rep 16, 10559 (2026). https://doi.org/10.1038/s41598-026-45122-y

Mots-clés: Maladie de Parkinson, marche et équilibre, apprentissage automatique, biomécanique, diagnostic précoce