Exploiter l’apprentissage automatique pour l’analyse numérique de la démarche dans l’ataxie via une capture de mouvement sans capteurs

Pourquoi les vidéos de marche comptent pour la santé cérébrale

La perte d’équilibre et de coordination est une caractéristique centrale de l’ataxie, un ensemble de maladies neurodégénératives qui rendent la marche de plus en plus difficile. Aujourd’hui, les médecins évaluent généralement la démarche d’une personne avec une échelle clinique simple qui peut manquer des changements précoces et subtils. Cette étude pose une question d’actualité : de simples enregistrements vidéo de personnes en train de marcher, analysés par apprentissage automatique, peuvent-ils détecter plus tôt les troubles de la démarche et les suivre plus précisément — sans capteurs portables ni équipement de laboratoire spécialisé ?

Observer le mouvement à travers un prisme numérique

Les chercheurs ont travaillé avec 91 adultes atteints de diverses formes d’ataxie et 28 volontaires sains déjà évalués dans un centre allemand de neurodégénérescence. Lors des visites de routine, chaque personne a réalisé une tâche de marche normale pendant qu’elle était filmée avec une tablette placée en face d’elle. Les neurologues ont noté la capacité de marche à l’aide du premier item d’une échelle standard appelée SARA, qui classe la démarche depuis une marche normale jusqu’à l’incapacité de marcher. Ces scores réalisés sur place ont servi de « vérité terrain » à laquelle le système numérique devait être comparé.

Des pixels au mouvement du corps

Pour transformer la vidéo brute en mouvement mesurable, l’équipe a utilisé un algorithme d’estimation de pose appelé AlphaPose. Ce programme suit des points clés du corps — hanches, épaules, poignets, chevilles — dans chaque image vidéo, créant des séries temporelles qui décrivent comment les positions, distances et angles articulaires évoluent à chaque pas. À partir de ces signaux, les chercheurs ont construit plusieurs modèles d’apprentissage automatique. Certains extrayaient des centaines de caractéristiques mathématiques décrivant des motifs dans le mouvement, comme la variabilité d’un angle articulaire, tandis que d’autres utilisaient des méthodes convolutionnelles rapides conçues pour des séries temporelles. Les modèles ont été entraînés soit pour reproduire le score numérique du clinicien, soit pour décider de l’appartenance d’une personne à l’un de deux groupes (par exemple, sain vs légèrement affecté).

Égaler et dépasser le jugement humain

La combinaison la plus performante associait l’extraction de caractéristiques avec l’outil tsfresh et une méthode d’arbres de décision à gradient boosté (XGBoost). Ce modèle a reproduit les scores de démarche des cliniciens avec une bonne précision et a légèrement surpassé une « référence humaine » distincte : les évaluations par consensus de trois neurologues entraînés qui avaient noté les vidéos après coup. Le système numérique s’est montré particulièrement efficace pour distinguer des personnes ayant des niveaux de troubles de la démarche nettement différents, mais il a aussi géré des distinctions très subtiles. De façon remarquable, il a pu différencier des volontaires sains de porteurs de gène qui semblaient encore marcher normalement aux yeux des examinateurs humains, obtenant une classification bien supérieure au hasard. Autrement dit, l’algorithme détectait des anomalies de la démarche avant qu’elles ne soient visibles lors des examens cliniques de routine.

Regarder à l’intérieur de la boîte noire

Pour comprendre ce que le modèle « regardait », l’équipe a utilisé une méthode d’IA explicable appelée SHAP pour classer les signaux de mouvement les plus importants pour ses décisions. Les angles des épaules et des hanches sont apparus comme des contributeurs clés, en accord avec l’expérience clinique selon laquelle les personnes atteintes d’ataxie élargissent souvent leur base de sustentation et utilisent les bras pour compenser un mauvais équilibre. Au fil du temps, les chercheurs ont suivi comment certaines caractéristiques numériques sélectionnées évoluaient chez 30 patients ayant effectué des visites répétées. Alors que le score clinique standard de la démarche changeait à peine en moyenne, plusieurs de ces marqueurs dérivés du mouvement montraient des tendances cohérentes, fortement corrélées au temps et adaptées au niveau d’atteinte initial de la personne. Cela suggère que les mesures numériques peuvent détecter une progression graduelle que l’échelle clinique grossière manque souvent.

Équité, praticité et usage à domicile

Le meilleur modèle a eu des performances similaires selon les tranches d’âge et entre hommes et femmes, ce qui suggère qu’il peut être utilisé largement sans biais démographique majeur. Parce que le système fonctionne à partir d’une vidéo frontale unique capturée sur une tablette grand public, il peut être intégré aux visites cliniques régulières et, avec des instructions de base sur le placement de la caméra et l’arrière-plan, pourrait être étendu aux enregistrements à domicile. Cela contraste avec les systèmes traditionnels d’analyse de la démarche qui nécessitent plusieurs caméras, des marqueurs collés sur la peau ou des capteurs portables que certains patients trouvent inconfortables ou peu pratiques pour un suivi fréquent.

Ce que cela signifie pour les patients et les soins

L’étude montre que de simples vidéos de marche, analysées avec l’apprentissage automatique moderne, peuvent non seulement reproduire mais légèrement améliorer les évaluations cliniques expertes de la démarche dans l’ataxie. Plus important encore, l’approche numérique met en évidence des changements précoces et lents que les humains ont tendance à négliger. Pour les patients et les cliniciens, cela ouvre la porte à une détection plus précoce de l’apparition de la maladie, à un suivi plus sensible de l’efficacité des traitements et à une surveillance pratique à domicile. À mesure que davantage de données seront collectées et que les méthodes seront affinées, ces biomarqueurs vidéo pourraient devenir une composante courante de la prise en charge de l’ataxie et de l’évaluation de nouvelles thérapies.

Citation: 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

Mots-clés: démarche ataxique, capture vidéo du mouvement, apprentissage automatique, biomarqueurs numériques, troubles neurologiques du mouvement