Использование машинного обучения для цифрового анализа походки при атаксии с видеозаписью без датчиков движения

Почему видеозаписи ходьбы важны для здоровья мозга

Потеря равновесия и координации — характерная черта атаксии, группы нейродегенеративных расстройств, при которых ходьба становится всё более затруднительной. Сегодня врачи обычно оценивают ходьбу с помощью простой клинической шкалы, которая может пропустить ранние, тонкие изменения. В этом исследовании ставится своевременный вопрос: могут ли обычные видеозаписи людей при ходьбе, проанализированные с помощью машинного обучения, обнаруживать проблемы с походкой раньше и отслеживать их точнее — без нательных датчиков или специализированного лабораторного оборудования?

Увидеть движение через цифровую призму

Исследователи работали с 91 взрослым человеком с разными формами атаксии и 28 здоровыми добровольцами, которые уже проходили обследование в немецком центре нейродегенерации. Во время плановых визитов каждый участник выполнял обычную задачу по ходьбе, записываемую на одну планшетную камеру, размещённую спереди. Неврологи оценивали способность к ходьбе по первому пункту стандартной шкалы SARA, которая ранжирует походку от нормальной до полной неспособности ходить. Эти очные оценки служили «истиной на земле», с которой сравнивали цифровую систему.

От пикселей к движению тела

Чтобы превратить сырое видео в измеримое движение, команда использовала алгоритм оценки позы AlphaPose. Эта программа отслеживает ключевые точки тела — такие как бёдра, плечи, запястья и щиколотки — на каждом кадре, создавая временные ряды, описывающие изменения положений, расстояний и углов суставов в течение шага. Из этих сигналов исследователи построили несколько моделей машинного обучения. Одни извлекали сотни математических признаков, описывающих закономерности в движении, например изменчивость угла сустава, в то время как другие использовали быстрые сверточные методы, ориентированные на временные ряды. Модели обучали либо воспроизводить числовую оценку походки клинициста, либо классифицировать человека в одну из двух групп (например, здоровые против слабо затронутых).

Сравнение и превосходство над человеческим суждением

Лучшей оказалась комбинация извлечения признаков с помощью набора tsfresh и метода градиентного бустинга на деревьях решений (XGBoost). Эта модель с хорошей точностью воспроизводила клинические оценки походки и немного превосходила отдельный «человеческий эталон»: консенсусные оценки трёх обученных неврологов, которые оценивали видео ретроспективно. Цифровая система особенно уверенно различала людей с явно разным уровнем нарушений походки, но при этом справлялась и с очень тонкими отличиями. Поразительно, что она могла отличать здоровых добровольцев от носителей патологического гена, которые внешне по ходьбе казались нормальными для человеческих экспертов, показывая классификацию существенно лучше случайной. Иными словами, алгоритм обнаруживал скрытые аномалии походки до того, как они становились заметны при рутинном клиническом осмотре.

Заглядывая внутрь «чёрного ящика»

Чтобы понять, на что ориентируется модель, команда применила метод объяснимого ИИ SHAP, который ранжирует, какие сигналы движения были наиболее значимы для её решений. Важными факторами оказались углы в области плеч и бёдер, что согласуется с клиническим опытом: у людей с атаксией часто расширяется база опоры и они используют руки для компенсации плохого равновесия. Со временем исследователи отслеживали изменения выбранных цифровых признаков у 30 пациентов с повторными визитами. В то время как стандартная клиническая оценка походки в среднем почти не менялась, несколько этих маркеров, выведённых из движения, демонстрировали устойчивые тенденции, тесно связанные со временем и зависящие от исходного уровня нарушения у конкретного человека. Это указывает на то, что цифровые меры способны фиксировать постепенное прогрессирование, которое грубая клиническая шкала часто пропускает.

Справедливость, практичность и использование дома

Лучшая модель демонстрировала сопоставимые результаты в разных возрастных группах и между мужчинами и женщинами, что указывает на возможность широкого применения без выраженного демографического смещения. Поскольку система работает по одному фронтальному видео, снятому на потребительский планшет, её можно встроить в обычные клинические визиты и, при базовой инструкции по размещению камеры и фону, расширить до домашних записей. Это контрастирует с традиционными системами анализа походки, которые требуют нескольких камер, маркеров на коже или носимых датчиков, которые некоторым пациентам кажутся неудобными или непрактичными для частого мониторинга.

Что это означает для пациентов и ухода

Исследование показывает, что простые видеозаписи ходьбы, проанализированные современными методами машинного обучения, могут не только воспроизводить, но и немного превосходить экспертные клинические оценки походки при атаксии. Ещё важнее то, что цифровой подход выявляет ранние и медленные изменения, которые люди склонны упускать. Для пациентов и клиников это открывает возможности для более раннего выявления начала болезни, более чувствительного отслеживания эффективности лечения и удобного мониторинга на дому. По мере накопления данных и совершенствования методов такие видеооснованные цифровые биомаркеры могут стать рутинной частью ведения атаксии и оценки новых терапий.

Цитирование: 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

Ключевые слова: походка при атаксии, видеозахват движения, машинное обучение, цифровые биомаркеры, неврологические расстройства движения