Identificazione delle caratteristiche chiave del passo nei pazienti stroke mediante sensori inerziali indossabili e apprendimento automatico supervisionato e non supervisionato

Perché camminare dopo un ictus è importante

L’ictus trasforma spesso una semplice camminata attraverso una stanza in una sfida quotidiana. Per molti sopravvissuti, il modo in cui muovono gambe, tronco e testa determina se possono vivere in modo indipendente, evitare cadute e tornare al lavoro o alla vita sociale. Questo studio esplora come piccoli sensori indossabili e programmi informatici intelligenti possano catturare le firme nascoste della deambulazione post-ictus, aiutando i clinici a vedere oltre ciò che l’occhio nudo percepisce e aprendo la strada a interventi riabilitativi più mirati.

Misurare i passi con dispositivi indossabili minuscoli

I ricercatori hanno dotato 85 persone che avevano subito un ictus e 97 volontari sani di cinque sensori di movimento delle dimensioni di una moneta. Questi sono stati posizionati sulla fronte, sul torace, sulla parte bassa della schiena e su entrambe le tibie, e i partecipanti hanno camminato avanti e indietro su dieci metri al loro passo abituale. I sensori hanno registrato il movimento del corpo in tre dimensioni, catturando non solo velocità e lunghezza del passo, ma anche quanto fossero lisci e stabili i movimenti di tronco e testa e quanto il lavoro fosse distribuito in modo uniforme tra le gambe. Da queste registrazioni il team ha calcolato 79 diverse misure che descrivono i tempi, la simmetria tra gli arti, la variabilità passo dopo passo e la fluidità e stabilità dei movimenti della parte superiore del corpo.

Insegnare ai computer a individuare un’andatura problematica

Con così tante misure possibili, la sfida era capire quali separassero davvero i sopravvissuti all’ictus dai camminatori sani. Il team ha usato tre diversi metodi di apprendimento automatico, tutti progettati per suddividere le persone in due gruppi in base all’andatura: k-nearest neighbors, macchine a vettori di supporto e alberi decisionali. Hanno prima applicato test statistici standard per scartare misure chiaramente poco utili, poi rimosso quelle quasi duplicate tra loro. Infine hanno usato un approccio di potatura progressiva che addestrava ripetutamente ogni algoritmo rimuovendo una misura alla volta, mantenendo solo quelle che preservavano un’elevata accuratezza di classificazione. Su molte suddivisioni casuali dei dati, i modelli hanno correttamente distinto i partecipanti con ictus da quelli sani in circa nove casi su dieci, con la macchina a vettori di supporto che ha mostrato le prestazioni migliori e più stabili.

Concentrare l’attenzione sugli indizi di camminata più significativi

Dalle 79 misure iniziali, il processo ha ristretto la lista a sole nove che portavano la maggior parte dell’informazione utile. Queste misure riguardavano la velocità di cammino, la variabilità del timing del passo, la simmetria del movimento del tronco lateralmente e la fluidità dei movimenti di testa e torace, in particolare nelle direzioni avanti–indietro e laterale. In modo notevole, la fluidità del movimento della testa è emersa come un indicatore nuovo e potente dei problemi di deambulazione legati all’ictus, suggerendo difficoltà nell’equilibrio, nella stabilizzazione dello sguardo e nell’integrazione dei segnali provenienti dall’orecchio interno e dal corpo durante la camminata. Sorprendentemente, le misure classiche di asimmetria passo sinistra–destra non hanno superato la selezione, probabilmente perché l’ictus può alterare l’andatura in molti schemi diversi, indebolendo la loro capacità di separare i gruppi in modo affidabile.

Lasciare che i dati si raggruppino da soli

Per verificare se questi indizi fossero realmente informativi — e non semplicemente adattati ai metodi di apprendimento impiegati — i ricercatori hanno poi utilizzato una tecnica non supervisionata. Invece di dire al computer chi aveva subito un ictus, hanno semplicemente fornito le misure selezionate e chiesto di formare due cluster basati sulla similarità. Utilizzando un metodo chiamato k-medoids e diversi modi di misurare la distanza tra i punti dati, hanno mostrato che già tre misure — la velocità complessiva di camminata, quanto variava la fase di sostegno e un segnale del tronco legato alla simmetria — erano sufficienti a raggruppare le persone come con ictus o sane con circa il 90% di accuratezza. Una regola di distanza che si focalizzava sul pattern relativo delle misure piuttosto che sulla loro grandezza assoluta si è dimostrata la più stabile nei test ripetuti.

Cosa significa questo per la cura quotidiana

Per un non specialista, il messaggio chiave è che una breve camminata con cinque piccoli sensori può rivelare un “impronta” compatta di come l’ictus ha modificato l’andatura di una persona. I computer possono usare solo una manciata di misure di movimento selezionate con cura — quanto velocemente si cammina, quanto sono regolari i passi e quanto fluidi sono i movimenti di tronco e testa — per distinguere in modo affidabile l’andatura post-ictus da quella sana. Questa intuizione ci avvicina a strumenti semplici e adatti alla clinica che possano monitorare oggettivamente il recupero, far emergere problemi di equilibrio nascosti e guidare i terapisti nella personalizzazione degli esercizi. Con ulteriori sviluppi per eseguire questi metodi in tempo reale e su gruppi di pazienti più vari, tali sistemi potrebbero diventare compagni quotidiani nella riabilitazione post-ictus, trasformando ogni passo in un feedback utile sulla strada verso una camminata più sicura e sicura di sé.

Citazione: Brasiliano, P., Orejel-Bustos, A.S., Belluscio, V. et al. Identifying key gait features in stroke patients using wearable inertial sensors and supervised and unsupervised machine learning. Sci Rep 16, 8908 (2026). https://doi.org/10.1038/s41598-026-43666-7

Parole chiave: andatura post-ictus, sensori indossabili, apprendimento automatico, riabilitazione, stabilità della camminata