Как ИИ помогает анализировать походку пациентов после инсульта и готовить клиническое заключение

Но информации может быть много: показатели движений, видеозаписи, данные о пациенте и наблюдения специалиста. Все это нужно сопоставить и на основе результатов подготовить заключение.

Разработчики системы OGA-AID предложили подключить к этой работе искусственный интеллект. Система анализирует разные данные о походке и помогает подготовить проект клинического заключения.

Три ИИ-агента анализируют разные данные

В основе OGA-AID — три специализированных ИИ-агента, каждый из которых отвечает за свою часть анализа:

• Recording Observer анализирует видеозаписи ходьбы пациента спереди и сбоку. Он оценивает восемь параметров, которые можно определить визуально: длину шага, перенос веса на пораженную конечность, ширину постановки стоп, сгибание колена, клиренс стопы и другие особенности.
• Trajectory Analyzer работает с данными системы захвата движения. Он анализирует трехмерные траектории движений тазобедренного, коленного и голеностопного суставов, а также туловища. Данные пациента сравниваются с показателями людей без нарушений походки, подобранных с учетом возраста, пола, роста и веса.
• Report Generator объединяет результаты двух предыдущих этапов, информацию о пациенте и предварительные наблюдения специалиста. На их основе он формирует структурированный проект заключения.

Итоговый документ остается под контролем специалиста: физиотерапевт проверяет результат и при необходимости корректирует или дополняет его.

Общая схема работы OGA-AID: система объединяет записи ходьбы, данные о пациенте, траектории движений и наблюдения специалиста.
Источник: Nguyen K. T. N. et al., arXiv, 2026

Как проверяли систему

В исследование включили 15 пациентов в возрасте от 30 до 80 лет, перенесших инсульт. С момента инсульта прошло от 8 до 216 месяцев. Каждый участник трижды выполнял тест с ходьбой на 10 метров — всего исследователи получили 45 наборов данных.

Для анализа использовали видеозаписи ходьбы, клинические данные и результаты трехмерного захвата движения. Кинематику регистрировали с помощью 16-камерной системы Qualisys.

Эталонную оценку проводили два опытных физиотерапевта с использованием Wisconsin Gait Scale (WGS) — шкалы для оценки особенностей походки после инсульта. Специалисты совместно согласовывали итоговую оценку каждого пациента.

Всего оценивали 14 параметров. Восемь преимущественно визуальных характеристик анализировались по видео, еще шесть — по данным трехмерных траекторий движений. Среди них — длина шага, перенос веса и время опоры на пораженную конечность, разгибание бедра, сгибание колена, клиренс стопы, циркумдукция, подъем таза и другие особенности походки.

Данные, которые анализирует OGA-AID: (1) видеозапись походки, (2) траектории движений, полученные с помощью системы захвата движения, (3) данные о пациенте, включая информацию о гемипарезе, (4) предварительные наблюдения специалиста.
Источник: Nguyen K. T. N. et al., arXiv, 2026

Что показало исследование

Система с несколькими специализированными ИИ-агентами в большинстве экспериментов оказалась точнее, чем вариант, при котором все данные одновременно передавались одной мультимодальной модели.

Автономный анализ OGA-AID показал среднюю абсолютную ошибку по Wisconsin Gait Scale 1,94 и 2,05 балла. Оба результата оказались ниже порога минимального клинически значимого различия в 2,25 балла, который использовали авторы исследования.

При этом точность зависела от того, какую информацию получал ИИ. Когда система анализировала только видеозапись, результаты были хуже. Добавление данных трехмерного анализа движений и клинической информации о пациенте повышало точность.

Например, информация о том, какая сторона поражена после инсульта, помогала ИИ правильно интерпретировать асимметрию походки. А сравнение трехмерных траекторий движений пациента с нормативными данными позволяло точнее оценивать особенности, которые сложно определить только визуально.

Еще один важный результат — взаимодействие ИИ со специалистом. Он мог добавить несколько коротких предварительных наблюдений: например, о длине шага, времени опоры, сгибании колена или движении бедра. Чем больше такой информации получала система, тем точнее в среднем становился результат. При наиболее подробных предварительных наблюдениях средняя ошибка снизилась на 22,7% по сравнению с полностью автономным анализом.

Таким образом, наиболее перспективным оказался сценарий, в котором ИИ не заменяет специалиста, а помогает ему объединять разные источники информации и готовить проект заключения.

От визуальной оценки к объективным данным

Один из важных принципов OGA-AID — сочетание визуальной оценки с количественными данными о движениях пациента. Такой подход уже используется в современных системах для реабилитации и инструментального анализа походки.

Например, C-Mill VR+ представляет собой беговую дорожку со встроенной измерительной платформой, которая позволяет объективно оценивать походку и равновесие.

Во время ходьбы платформа регистрирует взаимодействие пациента с поверхностью дорожки и положение центра давления — Center of Pressure (CoP). При каждом шаге центр давления перемещается вслед за переносом нагрузки с одной ноги на другую. Система регистрирует его траекторию во время фазы опоры и использует полученные данные для количественной оценки походки.

Какую информацию дает C-Mill

При стандартной оценке ходьбы C-Mill позволяет определять пространственно-временные параметры:

• длину шага;
• ширину шага;
• продолжительность опоры;
• симметрию шага.

Эти показатели особенно важны при односторонних двигательных нарушениях, например после инсульта. Специалист может количественно оценить различия между сторонами и затем отслеживать, как показатели меняются в ходе реабилитации.

Дополнительно C-Mill позволяет использовать фронтальную и боковую видеозапись. Специалист может сопоставить количественные показатели с тем, как выглядит походка пациента.

Результаты обследований и тренировок сохраняются в системе, а программное обеспечение позволяет формировать отчеты. Это дает возможность проводить повторные обследования и объективно оценивать динамику.

Оценка ходьбы в условиях, приближенных к повседневным

Для самостоятельного передвижения недостаточно сохранять определенную длину и ритм шага. В повседневной жизни человеку приходится обходить препятствия, менять скорость, точно ставить стопу, двигаться по узкому участку и одновременно выполнять другие задачи.

C-Mill позволяет оценивать адаптивность ходьбы. В C-Gait Assessment используются задания на визуально направленную постановку стоп, тандемную ходьбу, обход препятствий, слалом, изменение скорости и реакцию на неожиданные ситуации. Также может оцениваться ходьба с одновременным выполнением слуховой или когнитивной задачи.

Отдельные тесты позволяют оценивать равновесие, в том числе статический постуральный контроль и способность переносить вес вперед-назад и вправо-влево.

В результате специалист получает информацию не только о базовых параметрах шага, но и о том, насколько пациент способен адаптировать ходьбу к более сложным условиям.

Подробнее — в материале «Инструментальный анализ походки на C-Mill: параметры и контроль динамики».

Что может добавить искусственный интеллект

Исследование OGA-AID показывает одно из возможных направлений дальнейшего развития инструментального анализа походки.

Современное оборудование уже позволяет собирать объективные количественные данные, сохранять результаты обследований, использовать видеозапись и отслеживать изменения в динамике. ИИ в перспективе может помочь объединять разные источники информации, находить значимые особенности и быстрее готовить структурированное заключение.

При этом ключевая роль остается за специалистом — его предварительные наблюдения способны повышать точность системы. Это подтверждает перспективность подхода, при котором искусственный интеллект используется не вместо клинической оценки, а как дополнительный инструмент специалиста.

Важно учитывать и ограничения исследования. В нем участвовали всего 15 пациентов, а три прохода каждого пациента рассматривались как отдельные образцы. Несмотря на хорошие средние показатели, в отдельных случаях ошибки были значительно больше: максимальное расхождение с экспертной оценкой у лучших автономных конфигураций достигало 4,25–6,75 балла WGS. Авторы также обнаружили тенденцию моделей несколько завышать выраженность нарушений походки.

Поэтому OGA-AID пока следует рассматривать как исследовательскую разработку. Необходима дальнейшая проверка на более крупных и разнообразных группах пациентов. Результаты ИИ-анализа, как подчеркивают сами разработчики, должны проверяться специалистом перед использованием в клинической практике.

Источник: Nguyen K. T. N. et al. OGA-AID: Clinician-in-the-loop AI Report Drafting Assistant for Multimodal Observational Gait Analysis in Post-Stroke Rehabilitation. arXiv, 2026.

Если вы планируете дополнить визуальную оценку походки количественными данными, специалисты «Бека РУС» помогут подобрать несколько дополняющих друг друга решений для диагностики, тренировки и контроля динамики с учетом задач вашего отделения.