Wykorzystanie uczenia maszynowego do cyfrowej analizy chodu w ataksji przy użyciu rejestracji ruchu bez czujników

Dlaczego filmy z chodzenia są ważne dla zdrowia mózgu

Utrata równowagi i koordynacji to cechy wyróżniające ataksję — grupę chorób neurodegeneracyjnych, które utrudniają chodzenie. Obecnie lekarze zwykle oceniają sposób chodzenia za pomocą prostej skali klinicznej, która może nie wychwycić wczesnych, subtelnych zmian. W tym badaniu postawiono aktualne pytanie: czy zwykłe nagrania wideo osób chodzących, analizowane przez algorytmy uczenia maszynowego, są w stanie wcześniej wykryć problemy w chodzie i śledzić je dokładniej — bez użycia czujników noszonych na ciele czy specjalistycznego sprzętu laboratoryjnego?

Postrzeganie ruchu przez cyfrową soczewkę

Naukowcy współpracowali z 91 dorosłymi pacjentami z różnymi postaciami ataksji oraz 28 zdrowymi ochotnikami, którzy byli już badani w niemieckim ośrodku zajmującym się neurodegeneracją. Podczas rutynowych wizyt każda osoba wykonywała zadanie normalnego chodzenia, nagrywane jednym tabletem umieszczonym z przodu. Neurolodzy oceniali zdolność chodzenia przy użyciu pierwszego punktu standardowej skali SARA, która ocenia chód od normalnego do całkowitej niemożności chodzenia. Te wyniki uzyskane na miejscu posłużyły jako „prawda podstawowa” do porównania z systemem cyfrowym.

Z pikseli do ruchu ciała

Aby przekształcić surowe wideo w mierzalny ruch, zespół użył algorytmu estymacji pozy zwanego AlphaPose. Program śledzi kluczowe punkty ciała — takie jak biodra, barki, nadgarstki i kostki — w każdej klatce wideo, tworząc szeregi czasowe opisujące, jak zmieniają się pozycje, odległości i kąty stawów podczas każdego kroku. Z tych sygnałów badacze zbudowali kilka modeli uczenia maszynowego. Niektóre wyodrębniały setki matematycznych cech opisujących wzorce w ruchu, np. jak zmienna jest dana wartość kąta stawu, inne używały szybkich metod konwolucyjnych zaprojektowanych do danych szeregów czasowych. Modele trenowano, by albo odtwarzały numeryczną ocenę chodu lekarza, albo decydowały, do której z dwóch grup (np. zdrowi kontra lekko dotknięci chorobą) należy dana osoba.

Dopasowanie i przewyższanie oceny ludzkiej

Najlepiej sprawdziła się kombinacja ekstrakcji cech z użyciem narzędzia tsfresh oraz modelu gradientowo-wzmacnianego drzewa decyzyjnego (XGBoost). Model ten odtwarzał oceny chodu klinicystów z dobrą dokładnością i nieznacznie przewyższał osobny „ludzki punkt odniesienia”: konsensusowe oceny trzech przeszkolonych neurologów, którzy oceniali wideo po fakcie. System cyfrowy szczególnie dobrze rozróżniał osoby o wyraźnie odmiennych poziomach zaburzeń chodu, ale radził sobie również z bardzo subtelnymi różnicami. Co znamienne, potrafił rozróżnić zdrowych ochotników od nosicieli genu, którzy dla badających wydawali się chodzić normalnie, osiągając klasyfikację wyraźnie lepszą od przypadku. Innymi słowy, algorytm wykrywał ukryte nieprawidłowości chodu zanim stały się widoczne w rutynowych badaniach klinicznych.

Zaglądając do „czarnej skrzynki”

Aby zrozumieć, na co model „zwracał uwagę”, zespół zastosował metodę wyjaśnialnej sztucznej inteligencji o nazwie SHAP, by uszeregować, które sygnały ruchu były najważniejsze dla jego decyzji. Kąty w barkach i biodrach okazały się kluczowymi wskaźnikami, co zgadza się z doświadczeniem klinicznym — osoby z ataksją często poszerzają rozstaw nóg i używają ramion do kompensowania utraty równowagi. W czasie badacze śledzili, jak wybrane cyfrowe cechy zmieniały się u 30 pacjentów, którzy mieli ponowne wizyty. Podczas gdy standardowa kliniczna ocena chodu średnio prawie się nie zmieniała, kilka z tych wskaźników pochodzących z analizy ruchu wykazywało spójne trendy, silnie skorelowane z upływem czasu i dostosowane do początkowego poziomu upośledzenia osoby. Sugeruje to, że miary cyfrowe mogą wychwycić stopniowy postęp, którego często nie pokazuje zgrubna skala kliniczna.

Sprawiedliwość, praktyczność i użycie w domu

Najlepszy model działał podobnie w różnych grupach wiekowych oraz między mężczyznami i kobietami, co sugeruje, że można go stosować szeroko bez silnego uprzedzenia demograficznego. Ponieważ system działa na podstawie pojedynczego, frontalnego nagrania z konsumenckiego tabletu, można go zintegrować z rutynowymi wizytami w klinice, a przy podstawowych wskazówkach dotyczących ustawienia kamery i tła — rozszerzyć na nagrania domowe. To kontrastuje z tradycyjnymi systemami analizy chodu, które wymagają wielu kamer, markerów przyklejonych do skóry lub czujników noszonych na ciele, co niektórym pacjentom wydaje się niewygodne lub niepraktyczne przy częstym monitorowaniu.

Co to znaczy dla pacjentów i opieki

Badanie pokazuje, że proste nagrania chodzenia, analizowane nowoczesnym uczeniem maszynowym, mogą nie tylko odtworzyć, ale i nieco ulepszyć oceny eksperckie chodu w ataksji. Co ważniejsze, podejście cyfrowe ujawnia wczesne i powolne zmiany, które ludzie zwykle przeoczają. Dla pacjentów i klinicystów otwiera to drogę do wcześniejszego wykrywania początku choroby, bardziej czułego monitorowania skuteczności terapii oraz wygodnego monitorowania w domu. W miarę gromadzenia większej ilości danych i udoskonalania metod, takie oparte na wideo cyfrowe biomarkery mogą stać się rutynową częścią opieki nad ataksją i oceny nowych terapii.

Cytowanie: 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

Słowa kluczowe: chód przy ataksji, rejestracja ruchu z wideo, uczenie maszynowe, cyfrowe biomarkery, neurologiczne zaburzenia ruchu