Identifiering och förutsägelse av gångstabilitetsmått hos personer efter stroke vid gång på ojämnt underlag med maskininlärning

Varför det är viktigt att hålla balansen utomhus efter stroke

För många som återhämtar sig efter en stroke är den verkliga prövningen av gångförmågan inte i kliniken utan utomhus—på spruckna trottoarer, grusgångar och ojämna kanter. Dessa vardagliga underlag ökar tyst risken för snubbling och fall. Denna studie undersöker hur små rörelsesensorer och moderna datoralgoritmer kan avslöja vem som sannolikt får svårigheter på sådant ojämnt underlag och hur väl enkla, inomhusbaserade gångtester kan förutsäga stabiliteten utomhus.

Ojämnt underlag som en dold utmaning

Utomhusrörlighet är central för självständighet och socialt liv efter stroke, ändå uppger många överlevare att det är svårt och skrämmande att gå utomhus. Ojämna ytor introducerar små, oförutsägbara stötar som kontinuerligt testar kroppens balanssystem. Personer efter stroke har ofta svagare muskler och långsammare reaktioner, vilket kan göra dessa subtila störningar svårare att hantera. Trots detta fokuserar de flesta rutinmässiga bedömningar fortfarande på släta inomhusgolv, vilket lämnar ett glapp mellan vad som mäts i kliniken och vad människor möter i vardagen.

Att bära sensorer för att fånga verklig gång

Forskarlaget studerade 71 personer efter stroke och 39 friska vuxna i liknande ålder. Varje person gick fram och tillbaka längs både en slät 10‑meters gångbana och en ojämn 10‑meters sträcka medan de bar en liten rörelsesensor på nedre delen av ryggen. Denna sensor mätte hur bålen rörde sig upp och ner, från sida till sida och framåt och bakåt. Utifrån dessa signaler beräknade teamet flera mått som beskriver hur stadig eller oregelbunden gångmönstret var—vissa beskriver helt enkelt hur stora rörelserna är, medan andra fångar hur jämna och rytmiska stegen är över tid.

Låta datorn hitta de mest avslöjande signalerna

I stället för att titta på varje mått ett och ett använde teamet maskininlärning, en typ av datoranalys som kan sålla bland många variabler på en gång och hitta de mest informativa. De tränade först modeller för att skilja personer efter stroke från friska vuxna enbart baserat på sensorsignalerna från gång på ojämnt underlag. Dessa modeller nådde över 95 % noggrannhet. Tre signaler framträdde som särskilt kraftfulla: hur stark den upp‑och‑ner‑rörelsen av bålen var (kallad vertikal RMS), hur oregelbunden fram‑och‑tillbaka‑rörelsen var över tid (sample entropy), och hur jämn och rytmisk gången var i fram‑bak‑riktningen (harmonic ratio). Tillsammans gav de en tydlig bild av minskad stabilitet efter stroke.

Att förutsäga utomhusstabilitet från inomhustester

I nästa steg undersökte forskarna om de kunde uppskatta dessa nyckelmått från gång på ojämnt underlag—och gånghastigheten i sig—endast med data från lätta, jämna underlag. De kombinerade enkla mått som inomhusgånghastighet med information om ledvinklar, muskelaktivitet och sensoravläsningar, och tränade sedan modeller för att förutsäga vad som skulle hända på den ojämna banan. Inomhusgånghastigheten visade sig vara särskilt viktig. Personer efter stroke som gick långsammare än ungefär 0,8 meter per sekund på en slät yta tenderade att sakta ner ännu mer och visa större upp‑och‑ner‑bålrörelser på ojämnt underlag, vilket tyder på svårighet att anpassa sig till utmaningen. Regelbundenheten och jämnheten i bålrörelsen på ojämna ytor förutspåddes också delvis av hur ankeln rörde sig vid fotkontakt och av hur jämn personens gång redan var på plant underlag.

Vad detta betyder för rehabilitering och vardagslivet

Budskapet till lekmannen är enkelt: en liten bärbar sensor på nedre ryggen, kombinerad med inomhusgångtester och smart datoranalys, kan avslöja vem som är mest benägen att tappa stabiliteten på skumpiga trottoarer efter stroke. Personer som redan går ganska långsamt på plant underlag—särskilt under ungefär 0,8 meter per sekund—har större sannolikhet att röra sig mindre självsäkert och mer skakigt på ojämna ytor. Genom att övervaka enkla sensorbaserade markörer för hur mycket bålen studsar och hur jämna stegen är kan terapeuter utforma mer personligt anpassade träningsprogram, fokusera på bål‑ och ankelfunktion och följa framsteg över tid. På sikt skulle sådana “digitala biomarkörer” kunna hjälpa till att göra utomhusgång säkrare och mer möjlig för många som överlevt stroke.

Citering: Inui, Y., Takamura, Y., Nishi, Y. et al. Identifying and predicting gait stability metrics in people with stroke in uneven-surface walking using machine learning. Sci Rep 16, 5618 (2026). https://doi.org/10.1038/s41598-026-35966-9

Nyckelord: stroke-rehabilitering, gångstabilitet, ojämn gång, bärbara sensorer, maskininlärning