Sfruttare l’apprendimento automatico per l’analisi digitale del passo nell’atassia usando la cattura del movimento senza sensori

Perché i video di camminata sono importanti per la salute del cervello

La perdita di equilibrio e coordinazione è una caratteristica distintiva dell’atassia, un gruppo di malattie neurodegenerative che rendono sempre più difficile camminare. Oggi i medici di solito valutano la deambulazione di una persona con una scala clinica semplice che può non rilevare cambiamenti precoci e sottili. Questo studio pone una domanda attuale: registrazioni video ordinarie di persone che camminano, analizzate tramite apprendimento automatico, possono individuare problemi dell’andatura prima e tracciarli con maggiore precisione — senza sensori indossabili o attrezzature di laboratorio specializzate?

Osservare il movimento attraverso una lente digitale

I ricercatori hanno lavorato con 91 adulti affetti da varie forme di atassia e 28 volontari sani che erano già in valutazione presso un centro tedesco per la neurodegenerazione. Durante le visite di routine, ogni persona ha eseguito un compito di camminata normale mentre veniva filmata con una singola videocamera tablet posizionata frontalmente. I neurologi hanno valutato l’abilità di deambulazione usando il primo elemento di una scala standard chiamata SARA, che classifica l’andatura da camminata normale fino all’impossibilità di camminare. Questi punteggi ottenuti in sede hanno fatto da “verità di riferimento” con cui confrontare il sistema digitale.

Dai pixel al movimento del corpo

Per trasformare il video grezzo in movimento misurabile, il team ha utilizzato un algoritmo di stima della posa chiamato AlphaPose. Questo programma traccia punti chiave del corpo — come anchele, fianchi, spalle e polsi — in ogni fotogramma del video, creando serie temporali che descrivono come posizioni, distanze e angoli articolari cambiano durante ogni passo. Da questi segnali i ricercatori hanno costruito diversi modelli di apprendimento automatico. Alcuni hanno estratto centinaia di caratteristiche matematiche che descrivono schemi nel movimento, come la variabilità di un angolo articolare, mentre altri hanno usato metodi convoluzionali veloci progettati per dati in serie temporali. I modelli sono stati addestrati a riprodurre il punteggio numerico del clinico o a decidere a quale dei due gruppi (per esempio sano vs. lievemente affetto) appartenesse una persona.

Uguagliare e superare il giudizio umano

La combinazione con le migliori prestazioni ha usato l’estrazione di caratteristiche con il toolkit tsfresh insieme a un metodo di alberi di decisione potenziati (XGBoost). Questo modello ha riprodotto i punteggi di deambulazione dei clinici con buona accuratezza e ha leggermente superato un “baseline umano” separato: le valutazioni di consenso di tre neurologi esperti che hanno esaminato i video a posteriori. Il sistema digitale è stato particolarmente efficace nel distinguere persone con livelli nettamente diversi di problemi di deambulazione, ma ha gestito anche distinzioni molto sottili. Notevolmente, è stato in grado di separare i volontari sani dai portatori di mutazioni genetiche che agli esami umani apparivano ancora normali, ottenendo una classificazione ben migliore del caso. In altre parole, l’algoritmo ha rilevato anomalie dell’andatura nascoste prima che fossero visibili negli esami clinici di routine.

Guardare dentro la scatola nera

Per capire su cosa il modello “si basasse”, il team ha utilizzato un metodo di AI interpretabile chiamato SHAP per ordinare quali segnali di movimento fossero più importanti per le sue decisioni. Gli angoli delle spalle e dei fianchi sono emersi come contributori chiave, in linea con l’esperienza clinica secondo cui le persone con atassia spesso allargano la base d’appoggio e usano le braccia per compensare il cattivo equilibrio. Nel tempo, i ricercatori hanno monitorato come certe caratteristiche digitali selezionate cambiassero in 30 pazienti che hanno avuto visite ripetute. Mentre il punteggio clinico standard dell’andatura cambiava a malapena in media, diversi di questi marcatori derivati dal movimento mostravano tendenze coerenti, strettamente correlate al tempo e adattate al livello di compromissione di partenza del singolo. Ciò suggerisce che le misure digitali possono cogliere una progressione graduale che la scala clinica grossolana spesso non rileva.

Equità, praticità e uso domestico

Il miglior modello ha mostrato prestazioni simili tra diverse fasce d’età e tra uomini e donne, suggerendo che può essere utilizzato ampiamente senza forti bias demografici. Poiché il sistema funziona a partire da un singolo video frontale registrato con un tablet consumer, può essere integrato nelle visite ambulatoriali di routine e, con indicazioni di base sul posizionamento della telecamera e sullo sfondo, potrebbe essere esteso alle registrazioni a domicilio. Ciò contrasta con i tradizionali sistemi di analisi del passo che richiedono più telecamere, marker incollati alla pelle o sensori indossabili che alcuni pazienti trovano scomodi o impraticabili per il monitoraggio frequente.

Cosa significa per i pazienti e l’assistenza

Lo studio dimostra che semplici video di camminata, analizzati con l’apprendimento automatico moderno, possono non solo replicare ma migliorare leggermente le valutazioni cliniche esperte dell’andatura nell’atassia. Più importante, l’approccio digitale mette in luce cambiamenti precoci e lenti che gli esseri umani tendono a trascurare. Per pazienti e clinici, questo apre la strada a una rilevazione più precoce dell’esordio della malattia, a un monitoraggio più sensibile dell’efficacia dei trattamenti e a un controllo pratico a domicilio. Con l’accumularsi di più dati e il perfezionamento dei metodi, tali biomarcatori digitali basati su video potrebbero diventare parte routinaria della gestione dell’atassia e della valutazione di nuove terapie.

Citazione: 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

Parole chiave: andatura atassia, cattura del movimento video, apprendimento automatico, biomarcatori digitali, disturbi del movimento neurologici