Valutazione continua dell'andatura nella vita quotidiana mediante apprendimento auto-supervisionato di dati da accelerometro da polso

Perché un giorno il tuo orologio potrebbe monitorare quanto cammini bene

Molte persone indossano già orologi fitness che contano i passi o monitorano gli allenamenti. Ma per gli adulti più anziani il modo in cui camminano — velocità, ritmo e stabilità — può rivelare i primi segnali di problemi di salute, dalla fragilità alla demenza. Questo studio dimostra che un singolo sensore da polso, abbinato a un sistema avanzato di intelligenza artificiale chiamato ElderNet, può trasformare i dati di movimento quotidiano in misure dettagliate della qualità della deambulazione, potenzialmente trasformando un gadget comune in un potente monitor della salute.

Dai semplici conteggi di passi a indizi ricchi sull’andatura

La maggior parte dei dispositivi da polso oggi stima quanto sei attivo nel complesso: quanto tempo stai seduto, quanto spesso ti muovi o quanti passi fai. Pur essendo utili, questi riassunti mescolano molte tipologie di movimento e perdono i dettagli più fini della camminata. Medici e ricercatori sono interessati a caratteristiche specifiche dell’andatura — come la velocità, i passi al minuto, la lunghezza del passo e la regolarità dei passi — perché sono forti indicatori di invecchiamento sano e di rischio di disabilità, cadute e declino cognitivo. Tradizionalmente, queste misure provengono da brevi test in cliniche o laboratori, spesso usando sensori sul basso dorso o passerelle strumentate. Questi allestimenti sono accurati ma scomodi e catturano solo istantanee brevi della mobilità di una persona.

Insegnare a un modello a leggere la camminata dal polso

Il team dietro ElderNet si è proposto di estrarre informazioni complete sull’andatura dai sensori da polso indossati nella vita quotidiana, nonostante il polso si muova in modi complessi che mescolano lo swing delle braccia ad altre attività. Hanno costruito il sistema su un approccio di apprendimento auto-supervisionato, in cui una rete neurale profonda prima si insegna a riconoscere schemi in enormi quantità di dati da polso non etichettati provenienti da oltre 100.000 persone nello UK Biobank. Successivamente, il modello viene adattato ulteriormente usando registrazioni multi‑giorno di oltre 800 adulti molto anziani del Rush Memory and Aging Project, così da sintonizzarlo in modo particolare sui pattern di movimento delle popolazioni anziane. Infine, il sistema viene rifinito su un dataset più piccolo ma accuratamente etichettato, Mobilise‑D, in cui i partecipanti indossavano sia sensori da polso sia un sistema di riferimento dettagliato che misurava con precisione la loro camminata in contesti reali. Questo passaggio permette a ElderNet di imparare a tradurre i movimenti complessi del polso in metriche specifiche dell’andatura per ogni episodio di camminata rilevato.

Quanto bene il sistema misura la camminata

Quando testato su anziani e persone con condizioni come insufficienza cardiaca, malattie polmonari, Parkinson, frattura dell’anca e sclerosi multipla, ElderNet ha stimato la velocità di deambulazione con un errore medio di circa 8,8 centimetri al secondo e ha mostrato un forte accordo con il sistema di riferimento considerato gold‑standard. Ha anche superato un metodo biomeccanico di riferimento basato su caratteristiche costruite a mano e un modello simile addestrato senza pre‑allenamento auto‑supervisionato. I ricercatori hanno esteso ElderNet per stimare ulteriori caratteristiche dell’andatura come la cadenza, la lunghezza del passo e la regolarità del passo; per cadenza e lunghezza del passo in particolare, la versione auto‑supervisionata ha nettamente superato il modello completamente supervisionato. È importante notare che le prestazioni sono rimaste elevate in un gruppo indipendente di adulti più giovani e sani, suggerendo che l’approccio si generalizza oltre il campione di addestramento originale, nonostante fosse ottimizzato per individui più anziani.

La camminata quotidiana racconta una storia diversa rispetto ai test clinici

Per valutare l’utilità clinica, gli autori hanno applicato ElderNet a circa dieci giorni di dati da polso per persona provenienti da centinaia di anziani che vivono nella comunità. Hanno confrontato tre modalità di identificazione di chi riferiva disabilità nella mobilità: brevi test di cammino supervisionati; ampi riassunti di attività fisica dal polso; e metriche dettagliate multi‑giorno dell’andatura stimate da ElderNet. Mentre le misure di cammino da laboratorio e i livelli complessivi di attività fornivano solo una discriminazione modesta, le ricche caratteristiche dell’andatura in contesti reali riuscivano molto meglio a separare le persone con e senza problemi di mobilità. È interessante che i pattern di camminata osservati nella vita quotidiana fossero solo debolmente correlati a quelli misurati in brevi camminate cliniche, suggerendo che il modo in cui le persone si muovono nei propri ambienti cattura aspetti della funzione che i test tradizionali non colgono.

Cosa potrebbe significare per un invecchiamento sano

Lo studio mostra che un dispositivo comune e confortevole indossato al polso può, con gli algoritmi giusti, fornire informazioni di livello clinico sul modo in cui le persone camminano nella vita quotidiana. L’accuratezza di ElderNet è dell’ordine di grandezza dei cambiamenti che hanno rilevanza clinica per la velocità di camminata, e le sue misure multi‑giorno identificano meglio gli anziani con difficoltà di mobilità rispetto ai test standard o ai semplici conteggi di attività. Con ulteriori validazioni in gruppi più diversi e su periodi più lunghi, questo approccio potrebbe aiutare a rilevare declini sottili prima, monitorare l’evoluzione della malattia o il recupero, e guidare interventi più personalizzati, tutto utilizzando dati raccolti discretamente da un sensore simile a un orologio.

Citazione: Brand, Y.E., Buchman, A.S., Kluge, F. et al. Continuous assessment of daily-living gait using self-supervised learning of wrist-worn accelerometer data. npj Digit. Med. 9, 338 (2026). https://doi.org/10.1038/s41746-026-02528-2

Parole chiave: monitoraggio dell'andatura, accelerometro da polso, invecchiamento sano, apprendimento auto-supervisionato, biomarcatori digitali