Machine learning inzetten voor digitale loopanalyse bij ataxie met sensorloze bewegingsregistratie

Waarom loopvideo’s van belang zijn voor hersengezondheid

Verlies van evenwicht en coördinatie is een kenmerkend symptoom van ataxie, een groep neurodegeneratieve aandoeningen die het lopen geleidelijk bemoeilijken. Artsen beoordelen iemands loopvermogen tegenwoordig meestal met een eenvoudige klinische schaal die vroegtijdige, subtiele veranderingen kan missen. Deze studie stelt een actuele vraag: kunnen gewone video-opnames van mensen die lopen, geanalyseerd met machine learning, loopafwijkingen eerder opsporen en nauwkeuriger volgen—zonder draagbare sensoren of gespecialiseerde laboapparatuur?

Beweging zien door een digitale lens

De onderzoekers werkten met 91 volwassenen met verschillende vormen van ataxie en 28 gezonde vrijwilligers die al werden onderzocht in een Duits centrum voor neurodegeneratie. Tijdens routinebezoeken voerde elke deelnemer een gewone loopopdracht uit terwijl hij of zij werd gefilmd met een enkele tabletcamera die voor hen geplaatst was. Neurologen beoordeelden het loopvermogen met het eerste item van een standaardmaat genaamd SARA, die het looppatroon scoort van normaal lopen tot niet kunnen lopen. Deze scores ter plaatse dienden als de “grondwaarheid” waarmee het digitale systeem werd vergeleken.

Van pixels naar lichaamsbeweging

Om ruwe video om te zetten in meetbare beweging gebruikte het team een pose-estimatie-algoritme genaamd AlphaPose. Dit programma volgt sleutelpunten van het lichaam—zoals heupen, schouders, polsen en enkels—in elk videoframe en creëert tijdreeksen die beschrijven hoe posities, afstanden en gewrichtshoeken veranderen tijdens elke stap. Uit deze signalen bouwden de onderzoekers verschillende machine learning-modellen. Sommige haalden honderden wiskundige kenmerken (features) naar voren die patronen in de beweging beschrijven, bijvoorbeeld hoe variabel een gewrichtshoek is, terwijl andere snelle convolutionele methoden voor tijdreeksen gebruikten. De modellen werden getraind om ofwel de numerieke loopscores van de clinicus te reproduceren of te beslissen bij welke van twee groepen een persoon hoorde (bijvoorbeeld gezond versus licht aangedaan).

Gelijkkomen aan en voorbij menselijke beoordeling

De best presterende combinatie gebruikte feature-extractie met de tsfresh-toolkit samen met een gradient-boosted decision tree-methode (XGBoost). Dit model reconstrueerde de clinician’s loopscores met goede nauwkeurigheid en overtrof licht een aparte “menselijke basislijn”: consensusbeoordelingen van drie getrainde neurologen die de video’s achteraf beoordeelden. Het digitale systeem was vooral sterk in het onderscheiden van personen met duidelijk verschillende niveaus van loopstoornissen, maar kon ook zeer subtiele verschillen hanteren. Opmerkelijk genoeg kon het gezonde vrijwilligers onderscheiden van dragers van het gen die voor menselijke beoordelaars nog normaal leken te lopen, met een classificatie die duidelijk beter was dan toeval. Met andere woorden: het algoritme detecteerde verborgen loopafwijkingen voordat die zichtbaar werden in routinematige klinische onderzoeken.

In de zwarte doos kijken

Om te begrijpen waar het model “naar keek” gebruikte het team een uitlegbare AI-methode genaamd SHAP om te rangschikken welke bewegingssignalen het meest van belang waren voor zijn beslissingen. De hoeken bij schouders en heupen bleken belangrijke bijdragers, wat aansluit bij klinische ervaring dat mensen met ataxie vaak een bredere stand innemen en hun armen gebruiken om slechte balans te compenseren. In de loop van de tijd volgden de onderzoekers hoe geselecteerde digitale kenmerken veranderden bij 30 patiënten die herhaalde bezoeken hadden. Terwijl de standaard klinische loopscore gemiddeld nauwelijks veranderde, lieten verschillende van deze uit beweging afgeleide markers consistente trends zien die sterk correleerden met tijd en waren afgestemd op het individuele beginniveau van beperkingen. Dit suggereert dat de digitale metingen geleidelijke progressie kunnen detecteren die de grove klinische schaal vaak mist.

Billijkheid, praktische inzet en gebruik thuis

Het best presterende model presteerde vergelijkbaar over verschillende leeftijdsgroepen en tussen mannen en vrouwen, wat suggereert dat het breed inzetbaar is zonder sterke demografische vooringenomenheid. Omdat het systeem werkt met een enkele frontale video opgenomen op een consumententablet, kan het worden geïntegreerd in reguliere poliklinische bezoeken en, met basisinstructies over camerapositie en achtergrond, worden uitgebreid naar thuisopnames. Dit staat in contrast met traditionele loopanalysesystemen die meerdere camera’s vereisen, markers die op de huid worden geplakt of draagbare sensoren die sommige patiënten oncomfortabel vinden of onpraktisch voor frequent monitoren.

Wat dit betekent voor patiënten en zorg

De studie laat zien dat eenvoudige loopvideo’s, geanalyseerd met moderne machine learning, niet alleen expertbeoordelingen van loopvermogen bij ataxie kunnen repliceren maar deze lichtelijk kunnen verbeteren. Belangrijker nog, de digitale benadering ontdekt vroege en langzame veranderingen die mensen vaak over het hoofd zien. Voor patiënten en clinici opent dit de deur naar vroegere detectie van ziektebegin, gevoeliger volgen of behandelingen werken en handig monitoren thuis. Naarmate er meer data worden verzameld en methoden verfijnd, zouden dergelijke op video gebaseerde digitale biomarkers een routineonderdeel kunnen worden van het beheer van ataxie en de evaluatie van nieuwe therapieën.

Bronvermelding: 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

Trefwoorden: ataxie gang, video bewegingsregistratie, machine learning, digitale biomarkers, neurologische bewegingsstoornissen