Модель машинного обучения для оценки хрупкости на основе измерений с носимых устройств

Почему повседневное движение в пожилом возрасте важно

С увеличением числа людей, доживающих до 70, 80 лет и старше, врачи ищут более точные способы выявлять тех, кто рискует стать слабым, потерять независимость или потребовать экстренной помощи. Медицинский термин для такого состояния — хрупкость, но существующие тесты на хрупкость медленные, часто субъективные и их трудно повторять регулярно. В этом исследовании изучают, может ли простая информация о движении с трекера на запястье заменить эти тесты и даже улучшить способность врачей прогнозировать серьёзные исходы, такие как госпитализация и смерть.

От клипбордов до браслетов

Традиционные шкалы хрупкости спрашивают о усталости и потере веса, измеряют скорость ходьбы и силу захвата, а также учитывают множество проблем со здоровьем. Эти инструменты полезны, но отнимают время, и часть их основана на воспоминаниях человека или оценке занятых специалистов. Исследователи задумались, не сможет ли более объективное окно в повседневную жизнь — сколько люди действительно двигаются, сидят и спят — передать ту же информацию более эффективно. С помощью устройства, похожего на умные часы и называемого акселерометром, они записывали каждый шаг, паузу и всплеск активности пожилых людей в течение недели.

Неделя движения, превращённая в баллы риска

Команда опиралась на ТОЛЕДО-исследование здорового старения в Испании, которое наблюдает за сотнями людей старше 65 лет. После интервью, осмотров, анализов крови и сканирования тела 437 участников попросили носить устройство активности в течение семи дней. Специализированное программное обеспечение преобразовывало сырые сигналы движения в числовые признаки: общее число шагов, отрезки интенсивной активности, длительные периоды сидячего режима, а также паттерны, связанные со сном и бодрствованием. Эти признаки затем подавались в модель машинного обучения — компьютерную программу, которая учится на данных — чтобы выяснить, может ли она воссоздать несколько установленных шкал хрупкости и связанные с возрастом факторы риска.

Обучение компьютера распознавать хрупкость

Исследователи использовали подход, называемый градиентным бустингом на деревьях решений, который объединяет множество простых правил в мощный предиктор. Они многократно делили набор данных на две половины: обучали модель на одной и тестировали на другой, чтобы убедиться, что результаты сохранятся для невидимых людей. Модель сумела с хорошей точностью оценить подробную шкалу хрупкости, известную как Frailty Trait Scale, исключительно на основе паттернов активности. Аналогичный успех наблюдался и для других мер хрупкости и для отдельных факторов риска, связанных со старением, таких как результаты анализов крови и сила захвата. Примечательно, что два дня — примерно 48 часов — тщательно подобранных данных оказались почти так же информативны, как и вся неделя, что предполагает, что короткий целенаправленный мониторинг может быть достаточен.

Взгляд вперёд: госпитализации и выживаемость

Помимо соответствия существующим шкалам хрупкости, модель на основе активности проверяли на исходах, которые особенно важны для пациентов и их семей: поступление в больницу и риск смерти со временем. Здесь предсказания, полученные из данных о движении, часто превосходили сами традиционные шкалы хрупкости. Иными словами, то, как человек фактически двигается и отдыхает в своей повседневной жизни, давало более ясный сигнал о надвигающихся проблемах, чем разовые клинические тесты. Это указывает на то, что носимые устройства могут помочь врачам раньше выявлять пациентов с высоким риском и подбирать последующее наблюдение или поддерживающие услуги до возникновения кризисов.

Что это может означать для здорового старения

Исследование показывает, что короткие периоды мониторинга с простым браслетом на запястье могут служить эффективной, объективной альтернативой сложным обследованиям на хрупкость, одновременно улучшая прогнозы серьёзных событий для здоровья. Для пожилых людей это потенциально означает меньше длинных визитов в клинику и более непрерывное домашнее отслеживание изменений их состояния. Для систем здравоохранения это открывает возможность отслеживать хрупкость в больших популяциях и направлять ограниченные ресурсы тем, кто в них наиболее нуждается. Авторы предупреждают, что для построения наиболее полной картины старения потребуются более разнообразные группы и дополнительные биологические измерения. Тем не менее их результаты указывают на будущее, в котором повседневное движение, тихо фиксируемое устройствами, становится мощным инструментом для сохранения независимости и продления здоровых лет жизни.

Цитирование: Culos, A., Manas, A., Shidara, K. et al. A machine learning model for frailty based on wearable device measurements. Commun Med 6, 173 (2026). https://doi.org/10.1038/s43856-026-01419-7

Ключевые слова: хрупкость, носимые датчики, пожилые люди, машинное обучение, здоровое старение