Att använda maskininlärning för digital gånganalys vid ataxi med sensorfri rörelsefångst

Varför gångvideor betyder något för hjärnhälsan

Balans- och koordinationssvikt är ett kännetecken för ataxi, en grupp neurodegenerativa sjukdomar som gör det allt svårare att gå. I dag graderar läkare vanligtvis en persons gång med en enkel klinisk skala som kan missa tidiga, subtila förändringar. Denna studie ställer en aktuell fråga: kan vanliga videoinspelningar av personer som går, analyserade med maskininlärning, upptäcka gångproblem tidigare och följa dem mer precist—utan några bärbara sensorer eller specialiserad labbutrustning?

Att se rörelse genom en digital lins

Forskarna arbetade med 91 vuxna med olika former av ataxi och 28 friska frivilliga som redan bedömdes vid ett tyskt center för neurodegeneration. Under rutinbesöken genomförde varje person en normal gånguppgift medan de filmades med en enda surfplattekamera placerad framför dem. Neurologer bedömde gångförmågan med det första momentet i en standardiserad skala kallad SARA, som poängsätter gång från normal till oförmögen att gå. Dessa på-plats-poäng fungerade som ”sanning på marken” mot vilken det digitala systemet jämfördes.

Från pixlar till kroppsrörelse

För att omvandla råvideo till mätbar rörelse använde teamet en pose-estimeringsalgoritm kallad AlphaPose. Programmet följer viktiga kroppspunkter—såsom höfter, axlar, handleder och vrister—i varje videoruta och skapar tidsserier som beskriver hur positioner, avstånd och ledvinklar förändras under varje steg. Från dessa signaler byggde forskarna flera maskininlärningsmodeller. Vissa extraherade hundratals matematiska egenskaper som beskriver mönster i rörelsen, till exempel hur variabel en ledvinkel är, medan andra använde snabba konvolutionsbaserade metoder avsedda för tidsseriedata. Modellerna tränades antingen för att reproducera klinikerns numeriska gångpoäng eller för att avgöra vilken av två grupper (till exempel frisk vs. lätt påverkad) en person tillhörde.

Matcha och överträffa mänskligt omdöme

Den bästa kombinationen använde feature-extraktion med verktyget tsfresh tillsammans med en gradientförstärkt beslutsträdmetod (XGBoost). Denna modell reproducerade klinikernas gångpoäng med god noggrannhet och överträffade något en separat ”mänsklig referens”: konsensusbedömningar från tre utbildade neurologer som poängsatte videorna i efterhand. Det digitala systemet var särskilt bra på att särskilja personer med tydligt olika nivåer av gångproblem, men klarade också mycket subtila skillnader. Anmärkningsvärt nog kunde det skilja friska frivilliga från genbärare som fortfarande verkade gå normalt för mänskliga bedömare, och uppnådde en klassificering som var avsevärt bättre än slumpen. Med andra ord upptäckte algoritmen dolda gångavvikelser innan de var synliga i vanliga kliniska undersökningar.

Att titta in i svart låda

För att förstå vad modellen ”tittade på” använde teamet en förklarbar AI-metod kallad SHAP för att rangordna vilka rörelsesignaler som vägde tyngst för dess beslut. Vinklarna i axlar och höfter visade sig vara viktiga bidragsgivare, vilket stämmer överens med klinisk erfarenhet att personer med ataxi ofta breddar sitt steg och använder armarna för att kompensera för dålig balans. Över tid följde forskarna hur utvalda digitala egenskaper förändrades hos 30 patienter som hade upprepade besök. Medan den kliniska gångpoängen knappt förändrades i genomsnitt visade flera av dessa rörelsederiverade markörer konsekventa trender, starkt korrelerade med tid och anpassade till personens utgångsnivå av funktionsnedsättning. Detta tyder på att de digitala måtten kan upptäcka gradvis progression som den grova kliniska skalan ofta missar.

Rättvisa, användbarhet och hemmabruk

Den bästa modellen presterade lika över olika åldersgrupper och mellan män och kvinnor, vilket antyder att den kan användas brett utan stark demografisk partiskhet. Eftersom systemet fungerar från en enda frontmonterad video fångad med en konsumentsurfplatta kan det integreras i vanliga klinikbesök och, med grundläggande vägledning om kameraplacering och bakgrund, utvidgas till hemmainspelningar. Detta står i kontrast till traditionella gånganalysystem som kräver flera kameror, markörer limmade på huden eller bärbara sensorer som vissa patienter upplever som obekväma eller opraktiska för frekvent övervakning.

Vad detta betyder för patienter och vård

Studien visar att enkla gångvideor, analyserade med modern maskininlärning, inte bara kan reproducera utan också något förbättra expertkliniska bedömningar av gång vid ataxi. Viktigare är att den digitala metoden avslöjar tidiga och långsamma förändringar som människor tenderar att förbise. För patienter och kliniker öppnar detta dörren till tidigare upptäckt av sjukdomsdebut, känsligare uppföljning av om behandlingar fungerar och bekväm övervakning i hemmet. När mer data samlas in och metoder förfinas kan sådana video-baserade digitala biomarkörer bli en rutinmässig del av hanteringen av ataxi och utvärderingen av nya terapier.

Citering: 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

Nyckelord: ataxigång, videorörelsefångst, maskininlärning, digitala biomarkörer, neurologiska rörelsestörningar