שימוש בלמידת מכונה לניתוח דיגיטלי של צעדה באטקסיה באמצעות לכידת תנועה ללא חיישנים

למה סרטוני הליכה חשובים לבריאות המוח

אובדן שיווי משקל ותיאום הוא תכונה מרכזית של אטקסיה, קבוצת מחלות נוירודגנרטיביות שמקשות על ההליכה עם הזמן. כיום, רופאים בדרך כלל מדרגים את הליכה של מטופל באמצעות סולם קליני פשוט שיכול לפספס שינויים מוקדמים ועדינים. המחקר הזה שואל שאלה מעשית: האם הקלטות וידאו רגילות של אנשים ההולכים, שנותחו בעזרת למידת מכונה, יכולות לזהות ליקויי צעדה מוקדם יותר ולעקוב אחריהם באופן מדויק יותר — ללא חיישנים נלבשים או ציוד מעבדה מיוחד?

לראות תנועה דרך עדשה דיגיטלית

החוקרים עבדו עם 91 מבוגרים עם צורות שונות של אטקסיה ו‑28 מתנדבים בריאים שנבדקו במרכז גרמני לניוירודגנרציה. במהלך ביקורים שגרתיים ביצע כל אדם משימת הליכה רגילה כשהוא מצולם במצלמת טאבלט אחת הממוקמת מולו. נוירולוגים דרגו את יכולת ההליכה באמצעות הפריט הראשון בסולם סטנדרטי שנקרא SARA, שמעניק ציון לצעדה מטווח הליכה נורמלית ועד חוסר יכולת הליכה. ציוני השטח האלה שימשו כ"אמת יסודית" אל מול המערכת הדיגיטלית.

מפיקסלים לתנועת גוף

כדי להפוך וידאו גולמי לתנועה מדידה, הקבוצה השתמשה באלגוריתם לאמידת תנוחות בשם AlphaPose. התוכנה עוקבת אחרי נקודות מפתח בגוף — כגון ירכיים, כתפיים, פרקי ידיים וקרסוליים — בכל פריים של הווידאו, ויוצרת סדרות זמן שמתארות כיצד מיקומים, מרחקים וזוויות מפרקים משתנים במהלך כל צעד. מתוך האותות האלה בנו החוקרים מספר מודלים של למידת מכונה. חלקם חילצו מאות תכונות מתמטיות שתיארו דפוסים בתנועה, כמו עד כמה זווית מפרק משתנה, ואחרים השתמשו בשיטות מבוססות קונבולוציה מהירות המתאימות לנתוני סדרות זמן. המודלים אומנו לשחזר או את הציון המספרי הקליני של הצעדה או לקבוע לאיזו משתי קבוצות (למשל, בריאים מול מושפעים קלים) שייך כל אדם.

התאמה ולעיתים עליונות על שיפוט אנושי

הצירוף שהניב את הביצועים הטובים ביותר השתמש בחילוץ תכונות עם הכלי tsfresh יחד עם שיטת עצי החלטה מועצבת בגרדיאנט (XGBoost). מודל זה שיחזר את ציוני הצעדה של אנשי המקצוע בדיוק טוב ואף התעלה במעט על "קו בסיס אנושי" נפרד: דירוג קונצנזוס של שלושה נוירולוגים מיומנים שדרגו את הסרטונים לאחר מעשה. המערכת הדיגיטלית הייתה חזקה במיוחד בהבחנה בין אנשים עם רמות ברורות ושונות של בעיות צעדה, אך גם טיפלה בהבחנות עדינות מאוד. באופן מרשים, היא הצליחה להבחין בין מתנדבים בריאים לנשאים גנטיים שעדיין נראו נורמליים בבחינה אנושית, והשאירה סיווג שהוא משמעותית טוב יותר מהסתברות מקרית. במילים אחרות, האלגוריתם זיהה חריגויות צעדה חבויות לפני שהיו גלויים בבדיקות קליניות שגרתיות.

לחטט בתוך הקופסה השחורה

כדי להבין במה המודל "התמקד", השתמשה הקבוצה בשיטת AI ברירה שניתנת לפרשנות בשם SHAP כדי לדרג אילו אותות תנועה השפיעו ביותר על החלטותיו. זוויות הכתפיים והירכיים עלו כגורמים מרכזיים, בהתאמה לניסיון הקליני שמראה שאצל חולי אטקסיה לעיתים מרחיבים את מרחק העמידה ומשתמשים בזרועות כאמצעי פיצוי על חוסר שיווי משקל. לאורך זמן עקבו החוקרים אחרי איך תכונות דיגיטליות נבחרות השתנו ב‑30 מטופלים שעברו ביקורים חוזרים. בעוד שהציון הקליני הסטנדרטי לצעדה כמעט שלא השתנה בממוצע, כמה מן הסמנים הנגזרים מהתנועה הראו מגמות עקביות, קשורות לחוזק לזמן ומותאמות למצב הבסיסי של כל מטופל. זה מצביע על כך שהמדדים הדיגיטליים מסוגלים לתפוס התקדמות הדרגתית שהסולם הקליני הגס בדרך כלל מפספס.

הוגנות, פרקטיות ושימוש ביתי

המוצר הטוב ביותר הופיע ביצועים דומים בקבוצות גיל שונות ובין גברים ונשים, מה שמרמז שניתן להשתמש בו באופן רחב בלי הטייה דמוגרפית חזקה. מאחר שהמערכת פועלת על וידאו חזיתי יחיד שנלכד בטאבלט צרכני, ניתן לשלב אותה בביקורים קליניים שגרתיים ובדרישה להדרכה בסיסית על מיקום המצלמה והרקע — אף להרחבת שימוש להקלטות ביתיות. זה מנוגד למערכות ניתוח צעדה מסורתיות שדורשות מצלמות מרובות, סימנים מודבקים על העור או חיישנים נלבשים שחלק מהמטופלים עלולים למצוא לא נוחים או בלתי מעשיים למעקב תדיר.

מה זה אומר עבור מטופלים וטיפול

המחקר מראה שסרטוני הליכה פשוטים, שנותחו באמצעות למידת מכונה מודרנית, לא רק משחזרים אלא משפרים במעט את דירוג המומחים הקליניים של צעדה באטקסיה. חשוב יותר, הגישה הדיגיטלית חושפת שינויים מוקדמים ואיטיים שבני אדם נוטים להתעלם מהם. עבור מטופלים ורופאים, הדבר פותח דלת לגילוי מוקדם יותר של תחילת המחלה, מעקב רגיש יותר אחרי האם טיפולים עובדים ומעקב נוח בבית. ככל שייאספו יותר נתונים והשיטות יתעדנו, ביו‑מדדים מבוססי וידאו כאלה עלולים להפוך לחלק שגרתי בניהול אטקסיה ובהערכת טיפולים חדשים.

ציטוט: 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

מילות מפתח: צעדת אטקסיה, לכידת תנועה בווידאו, למידת מכונה, ביו‑מדדים דיגיטליים, הפרעות תנועה נוירולוגיות