Un set di dati annotato su più livelli delle manifestazioni e della gravità del congelamento del passo nella malattia di Parkinson

Perché fermarsi a metà passo è importante

Per molte persone con malattia di Parkinson, camminare non significa solo andare più piano o con tremori: può improvvisamente interrompersi. In un istante, i piedi sembrano incollati al pavimento, anche se la persona sta facendo ogni sforzo per muoversi. Questo evento spaventoso, chiamato congelamento del passo, è una delle principali cause di cadute, lesioni e perdita di autonomia. L’articolo alla base di questo riassunto presenta FoG-STAR, un nuovo e ricco set di dati costruito con sensori indossabili che tracciano come si muovono le persone con Parkinson durante azioni quotidiane. Condividendo questi dati in modo aperto con la comunità scientifica mondiale, gli autori sperano di accelerare lo sviluppo di dispositivi e algoritmi più intelligenti in grado di rilevare, misurare e, in futuro, contribuire a prevenire questi pericolosi episodi di congelamento.

Osservare il movimento con sensori indossabili discreti

Invece di affidarsi solo all’osservazione rapida di un medico in ambulatorio, il progetto FoG-STAR utilizza quattro piccoli sensori di movimento per seguire il corpo passo dopo passo. Ventidue volontari con Parkinson hanno indossato sensori su entrambe le caviglie, su un polso e nella parte bassa della schiena, più o meno dove si trova il centro di massa del corpo. Ogni dispositivo ha registrato la velocità e la rotazione delle diverse parti del corpo centinaia di volte al secondo, mentre i partecipanti eseguivano movimenti comuni come alzarsi, sedersi, percorrere dieci metri, girarsi sul posto o attraversare una porta. Tutte le sessioni sono state registrate mentre i partecipanti erano in stato “off-farmaco” affinché gli episodi di congelamento fossero più probabili. Contemporaneamente, videocamere hanno catturato ogni azione, fornendo un riferimento visivo per ciò che i sensori rilevavano.

Dal movimento grezzo agli episodi di congelamento etichettati

Raccogliere i segnali è solo metà della storia; l’altra metà è capire cosa significano. Due neurologi, entrambi esperti di disturbi del movimento, hanno rivisto attentamente i video fotogramma per fotogramma. Hanno segnato quando ogni episodio di congelamento iniziava e terminava e ne hanno descritto l’aspetto—se la persona trascinava i piedi con passi piccolissimi, tremava sul posto con rapidi movimenti delle gambe o rimaneva completamente bloccata senza alcun movimento. Hanno anche etichettato cosa stava facendo la persona nel resto del tempo: camminare, stare in piedi, girarsi, sedersi o cambiare postura. Queste dettagliate annotazioni sono poi state sincronizzate con i dati dei sensori, producendo un resoconto sincronizzato temporalmente in cui ogni istante di movimento è abbinato a ciò che stava accadendo clinicamente. Questa descrizione multilivello rende possibile studiare il congelamento nel contesto, piuttosto che come episodi isolati.

Costruire una risorsa per algoritmi più intelligenti

Il risultato è una raccolta aperta e organizzata di 329.000 campioni di sensori, ognuno collegato a un soggetto, un compito, un’attività e un’etichetta di congelamento. Un file separato elenca l’età di ogni partecipante, lo stadio della malattia, i punteggi motori, le capacità cognitive, la paura di cadere e la qualità della vita, così i ricercatori possono esplorare come i modelli di congelamento differiscano tra i pazienti. Test iniziali con modelli di apprendimento automatico mostrano che i metodi di deep learning possono riconoscere gli episodi di congelamento con alta accuratezza, specialmente quando si utilizzano i dati dei sensori alle caviglie. Questi modelli possono essere addestrati su FoG-STAR e poi adattati ad altri set di dati, suggerendo che FoG-STAR cattura caratteristiche chiave di come il congelamento si manifesta nei segnali di movimento. Gli autori descrivono anche come hanno gestito problemi tecnici come la sincronizzazione di più sensori e la gestione di occasionali lacune nei dati, fornendo agli altri una tabella di marcia per studi simili.

Limiti, avvertenze e uso nel mondo reale

Come qualsiasi risorsa scientifica, FoG-STAR ha dei limiti. Lo studio include solo 22 persone, tutte testate in un ambiente attentamente controllato e tutte fuori dalla loro terapia abituale, quindi i dati potrebbero non riflettere tutta la varietà di congelamenti osservabile a casa o in stadi di malattia più lievi. Non tutti i partecipanti hanno completato ogni compito e i video sono stati ridotti a dieci fotogrammi al secondo, il che significa che episodi di congelamento estremamente brevi potrebbero non essere catturati con precisione. Tuttavia, il dataset copre una vasta mescolanza di schemi di cammino, svolte e cambi di postura, e mantiene visibili piccole lacune e imperfezioni nei segnali invece di smussarle, così i ricercatori possono decidere come pulire e interpretare al meglio i dati per i propri scopi.

Cosa significa per le persone che vivono con il Parkinson

In termini pratici, FoG-STAR è come consegnare alla comunità di ricerca un diario dettagliato e con marca temporale di come il congelamento del passo si sviluppa nel corpo, scritto non con parole ma con il movimento. Rendendo questo diario aperto e ben documentato, gli autori offrono a ingegneri, clinici e data scientist un punto di partenza comune per confrontare nuove idee e strumenti. Col tempo, questo lavoro potrebbe portare a dispositivi indossabili che avvertono le persone poco prima del congelamento, adattano i trattamenti per ridurlo o guidano esercizi di riabilitazione domiciliare su misura per i pattern di movimento di ciascuno. Sebbene FoG-STAR non curi il Parkinson o il congelamento del passo da solo, pone basi cruciali per tecnologie che un giorno potrebbero aiutare le persone a camminare in modo più sicuro e sicuro di sé.

Citazione: Borzì, L., Demrozi, F., Bacchin, R.A. et al. A multi-level annotated sensor dataset of gait freezing manifestations and severity in Parkinson’s disease. Sci Data 13, 305 (2026). https://doi.org/10.1038/s41597-026-06645-1

Parole chiave: Malattia di Parkinson, congelamento del passo, sensori indossabili, analisi del passo, deep learning