Aproveitando aprendizado de máquina para análise digital da marcha na ataxia usando captura de movimento sem sensores

Por que vídeos de caminhada importam para a saúde cerebral

Perda de equilíbrio e coordenação é uma característica definidora da ataxia, um grupo de doenças neurodegenerativas que tornam a caminhada cada vez mais difícil. Hoje, os médicos normalmente avaliam a marcha de uma pessoa com uma escala clínica simples que pode não detectar mudanças precoces e sutis. Este estudo faz uma pergunta atual: gravações de vídeo comuns de pessoas andando, analisadas por aprendizado de máquina, podem identificar problemas de marcha mais cedo e monitorá-los com mais precisão — sem sensores vestíveis ou equipamentos de laboratório especializados?

Vendo o movimento através de uma lente digital

Os pesquisadores trabalharam com 91 adultos com várias formas de ataxia e 28 voluntários saudáveis que já estavam sendo avaliados em um centro alemão de neurodegeneração. Durante consultas de rotina, cada pessoa realizou uma tarefa de caminhada normal enquanto era filmada com uma única câmera de tablet colocada à sua frente. Neurologistas avaliaram a habilidade de caminhar usando o primeiro item de uma escala padrão chamada SARA, que pontua a marcha desde a caminhada normal até a incapacidade de andar. Essas pontuações obtidas no local serviram como o “padrão-verdadeiro” com o qual o sistema digital seria comparado.

Dos pixels ao movimento do corpo

Para transformar vídeo bruto em movimento mensurável, a equipe usou um algoritmo de estimação de pose chamado AlphaPose. Esse programa rastreia pontos-chave do corpo — como quadris, ombros, pulsos e tornozelos — em cada quadro do vídeo, criando séries temporais que descrevem como posições, distâncias e ângulos das articulações mudam a cada passo. A partir desses sinais, os pesquisadores construíram vários modelos de aprendizado de máquina. Alguns extraíam centenas de características matemáticas que descrevem padrões no movimento, como a variabilidade de um ângulo articular, enquanto outros usavam métodos rápidos baseados em convolução projetados para dados em série temporal. Os modelos foram treinados tanto para reproduzir a pontuação numérica clínica da marcha quanto para decidir a qual de dois grupos (por exemplo, saudável vs. levemente afetado) uma pessoa pertencia.

Igualando e superando o julgamento humano

A melhor combinação de desempenho usou extração de características com a biblioteca tsfresh junto com um método de árvore de decisão com reforço de gradiente (XGBoost). Esse modelo reproduziu as pontuações clínicas da marcha com boa acurácia e superou ligeiramente uma “linha de base humana” separada: avaliações consensuais de três neurologistas treinados que pontuaram os vídeos posteriormente. O sistema digital foi especialmente forte em distinguir pessoas com níveis claramente diferentes de problemas de marcha, mas também lidou com distinções muito sutis. Notavelmente, conseguiu diferenciar voluntários saudáveis de portadores de genes que ainda pareciam caminhar normalmente aos examinadores humanos, alcançando uma classificação substancialmente melhor que o acaso. Em outras palavras, o algoritmo detectou anormalidades ocultas na marcha antes de serem visíveis em exames clínicos de rotina.

Olhando dentro da caixa-preta

Para entender no que o modelo estava “olhando”, a equipe usou um método de IA explicável chamado SHAP para ranquear quais sinais de movimento mais importavam para suas decisões. Os ângulos nos ombros e quadris surgiram como contribuintes-chave, alinhando-se com a experiência clínica de que pessoas com ataxia frequentemente alargam a base de apoio e usam os braços para compensar o equilíbrio deficiente. Ao longo do tempo, os pesquisadores acompanharam como características digitais selecionadas mudaram em 30 pacientes que tiveram visitas repetidas. Enquanto a pontuação clínica padrão da marcha mal mudou em média, várias dessas medidas derivadas do movimento mostraram tendências consistentes, fortemente correlacionadas com o tempo e ajustadas ao nível basal de comprometimento de cada pessoa. Isso sugere que as medidas digitais podem captar progressão gradual que a escala clínica grosseira frequentemente perde.

Justiça, praticidade e uso doméstico

O melhor modelo teve desempenho semelhante entre diferentes faixas etárias e entre homens e mulheres, sugerindo que pode ser usado amplamente sem forte viés demográfico. Como o sistema funciona a partir de um único vídeo frontal capturado em um tablet de consumo, ele pode ser integrado às consultas de rotina e, com orientações básicas sobre posicionamento da câmera e fundo, poderia ser estendido para gravações domiciliares. Isso contrasta com sistemas tradicionais de análise da marcha que exigem múltiplas câmeras, marcadores colados na pele ou sensores vestíveis que alguns pacientes consideram desconfortáveis ou impraticáveis para monitoramento frequente.

O que isso significa para pacientes e cuidados

O estudo mostra que vídeos simples de caminhada, analisados com aprendizado de máquina moderno, podem não apenas replicar, mas melhorar ligeiramente as avaliações clínicas especializadas da marcha na ataxia. Mais importante, a abordagem digital revela mudanças precoces e lentas que humanos tendem a negligenciar. Para pacientes e clínicos, isso abre caminho para detecção mais precoce do início da doença, monitoramento mais sensível da eficácia de tratamentos e acompanhamento conveniente em casa. À medida que mais dados forem coletados e os métodos refinados, tais biomarcadores digitais baseados em vídeo podem se tornar parte rotineira do manejo da ataxia e da avaliação de novas terapias.

Citação: 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

Palavras-chave: marcha na ataxia, captura de movimento por vídeo, aprendizado de máquina, biomarcadores digitais, distúrbios neurológicos do movimento