Sensörsüz hareket yakalama ile atakside dijital yürüyüş analizinde makine öğreniminden yararlanma

Yürüyüş videoları beyin sağlığı için neden önemli

Denge ve koordinasyon kaybı, yürümeyi giderek zorlaştıran bir grup nörodejeneratif bozukluk olan ataksinin ayırt edici özelliğidir. Günümüzde doktorlar genellikle bir kişinin yürüyüşünü erken, ince değişiklikleri kaçırabilen basit bir klinik ölçekle derecelendirir. Bu çalışma zamanında bir soru soruyor: makine öğrenimiyle analiz edilen, herhangi bir giyilebilir sensör veya özel laboratuvar ekipmanı gerektirmeyen sıradan yürüyüş videoları, yürüyüş bozukluklarını daha erken tespit edebilir ve bunları daha hassas bir şekilde izleyebilir mi?

Hareketi dijital bir mercekten görmek

Araştırmacılar, Almanya’daki bir nörodejenerasyon merkezinde halihazırda değerlendirilen çeşitli ataksi türlerine sahip 91 yetişkin ve 28 sağlıklı gönüllü ile çalıştı. Rutin ziyaretler sırasında her kişi, önde yerleştirilmiş tek bir tablet kamera ile filme alınırken normal bir yürüyüş görevi gerçekleştirdi. Nörologlar, yürüyüş yeteneğini SARA adındaki standart bir ölçeğin ilk maddesini kullanarak derecelendirdi; bu madde yürüyüşü normalden yürüyememeye kadar puanlar. Bu yerinde verilen puanlar, dijital sistemin karşılaştırılacağı “gerçek değer” olarak kullanıldı.

Pikselden vücut hareketine

Ham videoyu ölçülebilir harekete dönüştürmek için ekip AlphaPose adlı bir poz tahmin algoritması kullandı. Bu program, kalçalar, omuzlar, bilekler ve ayak bilekleri gibi önemli vücut noktalarını her video karesinde takip ederek, her adım sırasında pozisyonların, mesafelerin ve eklem açıların nasıl değiştiğini tanımlayan zaman serileri oluşturdu. Bu sinyallerden araştırmacılar birkaç makine öğrenimi modeli geliştirdi. Bazıları, bir eklem açısının ne kadar değişken olduğu gibi hareketteki desenleri tanımlayan yüzlerce matematiksel özellik çıkarırken, diğerleri zaman serisi verileri için tasarlanmış hızlı konvolüsyon tabanlı yöntemleri kullandı. Modeller ya klinisyenin sayısal yürüyüş puanını yeniden üretmek ya da bir kişinin hangi iki gruptan (örneğin sağlıklı vs. hafif etkilenmiş) birine ait olduğunu sınıflandırmak üzere eğitildi.

İnsan yargısıyla eşleşme ve aşma

En iyi performans gösteren kombinasyon, tsfresh araç seti ile özellik çıkarımı ve ardından XGBoost adlı gradyan artırımlı karar ağacı yöntemini kullandı. Bu model, kliniklerin yürüyüş puanlarını iyi doğrulukla yeniden üretti ve videoları sonradan puanlayan üç eğitimli nörologun uzlaşılmış değerlendirmelerinden oluşan ayrı bir “insan temel düzeyi”ni hafifçe geride bıraktı. Dijital sistem, açıkça farklı yürüyüş düzeylerine sahip kişileri ayırt etmede özellikle güçlüydü, ancak çok ince ayrımlarla da başa çıkabildi. Dikkat çekici şekilde, insanlar tarafından normal yürüdüğü görünen gen taşıyıcılarını sağlıklı gönüllülerden ayırt edebildi ve bu sınıflandırma tesadüften belirgin şekilde daha iyiydi. Başka bir deyişle algoritma, rutin klinik muayenelerde görünmeden önce gizli yürüyüş anormalliklerini tespit etti.

Siyah kutunun içini görmek

Modelin “neye baktığını” anlamak için ekip, kararlarında hangi hareket sinyallerinin en önemli olduğunu sıralamak üzere SHAP adlı açıklanabilir yapay zeka yöntemini kullandı. Omuz ve kalça açıları, model için önemli katkı sağlayan öğeler olarak öne çıktı; bu bulgu, ataksili kişilerin dengesizlik nedeniyle daha geniş bir duruş benimsediği ve kollarını denge için kullandığına dair klinik deneyimle örtüşüyor. Zaman içinde, araştırmacılar tekrar eden ziyaretleri olan 30 hastada seçilmiş dijital özelliklerin nasıl değiştiğini takip etti. Standart klinik yürüyüş puanı ortalamada neredeyse değişmezken, bu hareket türevli belirteçlerden birkaçının zamanla tutarlı eğilimler gösterdiği ve kişinin başlangıçtaki bozukluk düzeyine göre sıkı şekilde korele olduğu görüldü. Bu, dijital ölçümlerin kaba klinik ölçeğin sıkça kaçırdığı yavaş ilerlemeyi yakalayabildiğini düşündürüyor.

Adalet, pratiklik ve ev kullanımı

En iyi model farklı yaş grupları ve kadın-erkek arasında benzer performans gösterdi; bu da güçlü demografik önyargı olmadan geniş ölçekte kullanılabileceğine işaret ediyor. Sistem, tüketici tabletinde önden çekilen tek bir videodan çalıştığı için rutin klinik ziyaretlerine entegre edilebilir ve kamera yerleşimi ile arka plan hakkında temel rehberlikle ev kayıtlara da genişletilebilir. Bu, çoklu kameralar, deri üzerine yapıştırılan işaretleyiciler veya bazı hastaların sık takip için rahatsız edici veya pratik bulduğu giyilebilir sensörler gerektiren geleneksel yürüyüş analiz sistemleriyle çelişiyor.

Hastalar ve bakım için anlamı

Çalışma, modern makine öğrenimiyle analiz edilen basit yürüyüş videolarının atakside yürüyüşün uzman klinik değerlendirmelerini yalnızca yeniden üretmekle kalmayıp hafifçe iyileştirebileceğini gösteriyor. Daha da önemlisi, dijital yaklaşım insanların genellikle gözden kaçırdığı erken ve yavaş değişimleri açığa çıkarıyor. Hastalar ve klinisyenler için bu, hastalığın başlangıcının daha erken tespiti, tedavilerin işe yarayıp yaramadığının daha hassas izlenmesi ve evde uygun takibin kapılarını açıyor. Daha fazla veri toplanıp yöntemler geliştirildikçe, bu tür video tabanlı dijital biyobelirteçler ataksi yönetiminin ve yeni tedavilerin değerlendirilmesinin rutin bir parçası haline gelebilir.

Atıf: 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

Anahtar kelimeler: ataksi yürüyüş, video hareket yakalama, makine öğrenimi, dijital biyobelirteçler, nörolojik hareket bozuklukları