Карта походки при нарушениях ходьбы

Американские инженеры-реабилитологи из Чикагского центра Shirley Ryan AbilityLab предложили новый способ анализировать нарушения походки у неврологических пациентов и поместили людей с совершенно разными диагнозами на единую «карту», упорядоченную по качеству ходьбы. Для этого они использовали математический метод топологического анализа данных, который обнаруживает скрытую форму и структуру в больших массивах числовых данных. На карте выявились три устойчивых подтипа нарушений у пациентов с инсультом, непрерывный спектр ухудшений при болезни Паркинсона и широкий разброс у людей с ампутацией ноги. Работа опубликована в журнале npj Digital Medicine.

Схема эксперимента и создание «карт». Credit: Sajjad Daneshgar et al. / npj Digital Medicine 2026

Стандартные клинические тесты оценки ходьбы (например, тест ходьбы на 10 метров или тест «встань и иди») сводят всю сложность движения к скорости или времени выполнения. Это удобно, но теряется огромное количество информации о том, как именно человек идет, как работают его суставы, насколько симметричны шаги, как он разворачивается и поднимается по лестнице. Небольшие носимые датчики движения давно умеют записывать все эти детали с высокой точностью. Но проблема здесь в другом – как извлечь из сотен параметров что-то клинически полезное?

Стандартные методы кластеризации данных требуют заранее задать количество групп и плохо справляются с пациентами, которые находятся «между» категориями. Топологический анализ данных обходит это ограничение и не делит данные на жесткие кластеры, а строит гибкую сеть, сохраняющую переходы и непрерывность между группами.

В исследовании участвовал 81 человек, из которых 30 были с последствиями инсульта, 11 с болезнью Паркинсона или функциональным неврологическим расстройством, 20 с ампутацией нижней конечности и 20 здоровых добровольцев. Каждого участника оснастили системой из 17 датчиков движения, закрепленных на всем теле от головы до стоп. Датчики фиксировали угловые ускорения и ориентацию каждого сегмента тела с частотой 60 раз в секунду.

Все участники прошли три стандартных двигательных теста: ходьба на 10 метров с разной скоростью, тест «встань и иди» (одиночный и с дополнительной когнитивной задачей) и подъем-спуск по лестнице. Из записей извлекли 227 числовых параметров для каждого участника – длина шага, продолжительность фаз опоры и переноса, углы сгибания коленей, симметрия движений, время разворота и другие. Затем все эти параметры подали в алгоритм Mapper – математический инструмент, который преобразует многомерное облако данных в наглядную двумерную сеть, где узлы соответствуют группам похожих участников, а ребра – их сходству.

Здоровые участники расположились плотным кластером в одном углу карты, образовав ориентир «нормальной» походки. Пациенты с инсультом оказались на противоположной стороне и разделились на три четко разграниченных региона, соответствующих низкому, среднему и высокому уровню функции ходьбы. Это деление подтвердилось клиническими оценками – группы статистически значимо различались по скорости ходьбы, времени выполнения теста «встань и иди» и другим показателям. Алгоритм машинного обучения на основе найденных подгрупп правильно классифицировал пациентов с инсультом в 87% случаев на тестовой выборке.

При анализе значимых параметров авторы выявили, что разные задачи «работают» для разных подгрупп. Пациентов с высокой функцией ходьбы лучше всего характеризовали показатели обычной ходьбы по ровной поверхности – длительность фаз опоры и переноса ноги. Для умеренной группы ключевыми оказались параметры подъема по лестнице – угол сгибания колена и асимметрия подъема стопы. Для группы с низкой функцией наиболее информативными стали характеристики разворота в тесте «встань и иди» – количество шагов и время поворота.

Пациенты с болезнью Паркинсона заняли на карте промежуточное положение между здоровыми и постинсультными пациентами, причем, не в виде отдельного острова, а в виде двух ветвей, сходящихся к зоне низкой функции. Это отражает постепенный характер ухудшения при болезни Паркинсона.

Люди с ампутацией нижней конечности распределились широко по всей карте. Один участник с минимальным уровнем функциональных возможностей оказался рядом с пациентами с тяжелыми последствиями инсульта, тогда как остальные были разбросаны вплоть до зоны здоровых участников.

Авторы особо останавливаются на одном случае. Один из участников, включенный в группу с болезнью Паркинсона, на карте оказался в стороне от остальных пациентов этой группы и значительно ближе к здоровым участникам, несмотря на умеренно выраженные двигательные симптомы по клинической шкале. После дополнительного обследования выяснилось, что у него функциональное неврологическое расстройство, а не болезнь Паркинсона. Авторы рассматривают этот кейс как иллюстрацию потенциала метода для диагностики в неоднозначных случаях.

Пока что метод вычислительно затратен и не адаптирован для работы в реальном времени или с очень большими базами данных. Результат зависит от параметров настройки алгоритма, хотя авторы показали стабильность основной структуры карты при их варьировании. Тем не менее авторы предлагают метод не как замену клиническим тестам, а как дополнительный инструмент. Пациент проходит стандартное обследование с датчиками, его данные «проецируются» на карту, и врач получает визуальную информацию о том, на кого из ранее изученных пациентов он похож, а, значит, какие вмешательства могут сработать лучше всего.

Текст: Анна Хоружая

Identifying unique gait phenotypes across neuromotor conditions using wearable inertial sensors and topological data analysis by Sajjad Daneshgar et al. npj Digital Medicine. Published July 2026