Camminare con Intelligenza: Come i Sensori e i Modelli Nascosti di Markov Stanno Rivoluzionando l’Analisi del Passo

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi affascina tantissimo e che, credetemi, ha il potenziale per cambiare la vita di molte persone: sto parlando della valutazione della qualità della camminata, specialmente per chi utilizza protesi agli arti inferiori. Sembra un argomento di nicchia, vero? Eppure, pensate a quanto sia fondamentale poter camminare bene per la nostra autonomia e qualità di vita.

Il Problema: Occhio Clinico vs. Tecnologia da Laboratorio

Tradizionalmente, per capire se una persona cammina “bene”, ci si affida molto all’analisi osservazionale. Un esperto guarda il paziente muoversi e trae le sue conclusioni. Utile, certo, ma con i suoi limiti: è soggettiva e non sempre super affidabile o precisa nel tempo. Poi ci sono i sistemi di analisi del movimento strumentata, quelli che vedete nei laboratori super tecnologici con telecamere a infrarossi e pedane di forza. Questi sono fantastici, forniscono dati oggettivi e dettagliati, aiutando i medici a prendere decisioni informate e a valutare l’efficacia di un trattamento. Grazie a questi sistemi, si possono calcolare indici come il famoso Gait Profile Score (GPS), che dà un punteggio complessivo alla qualità della deambulazione.

Il “però” è grosso come una casa: questi sistemi sono costosi, ingombranti e richiedono tempo e personale specializzato. Non sono certo alla portata di tutte le cliniche e, soprattutto, confinano l’analisi all’ambiente artificiale del laboratorio, che non sempre riflette come una persona cammina nella vita di tutti i giorni. Immaginate di dover andare in un centro specializzato ogni volta che c’è bisogno di un controllo: non proprio il massimo della comodità!

La Svolta: Sensori Inerziali e l’Intelligenza “Nascosta”

Ed è qui che entra in gioco la tecnologia che mi entusiasma: i sensori inerziali! Avete presente quei piccoli aggeggi che si trovano negli smartphone e negli smartwatch, capaci di rilevare movimento, accelerazione e orientamento? Ecco, proprio quelli! Sono piccoli, leggeri, relativamente economici e, soprattutto, portatili. Questo significa che possiamo usarli per analizzare la camminata ovunque, in clinica come a casa, durante le normali attività quotidiane. Una vera rivoluzione!

Ma come trasformiamo i dati grezzi di questi sensori in una valutazione utile della qualità del passo? Qui entra in campo il protagonista del nostro discorso: un nuovo approccio basato sui Modelli Nascosti di Markov (Hidden Markov Models – HMM). Non spaventatevi per il nome! In parole povere, gli HMM sono strumenti matematici potentissimi per analizzare sequenze di dati che cambiano nel tempo, proprio come i segnali che provengono dai sensori mentre camminiamo. L’idea geniale è stata quella di sviluppare una misura di similarità basata su HMM (chiamata HMM-SM). In pratica, si “addestra” un modello HMM con i dati di una camminata considerata “normale” (ad esempio, quella di persone senza problemi di deambulazione) e poi si confronta questo modello di riferimento con quello ottenuto dalla camminata della persona con protesi. Più i due modelli sono simili, migliore è la qualità del passo del paziente. Semplice ed elegante, no?

Lo Studio: Mettiamo alla Prova l’HMM-SM!

Per capire se questa HMM-SM funziona davvero, è stato condotto uno studio molto interessante. Hanno partecipato 26 persone con protesi agli arti inferiori (con diversi tipi di amputazione: transtibiale, transfemorale, persone con rotazione di Van-Nes e con accorciamento dell’arto) e 30 persone normodotate come gruppo di controllo. A tutti sono stati applicati dei sensori inerziali in vari punti del corpo: bacino, parte superiore e inferiore delle gambe, e sterno.

I partecipanti hanno camminato lungo un percorso rettilineo, e i dati dei sensori (giroscopi e accelerometri) sono stati raccolti. Poi, è iniziata la parte “magica”:

• È stato calcolato il punteggio HMM-SM per ogni partecipante.
• Questo punteggio è stato confrontato con il GPS (il nostro “gold standard” ottenuto con un sistema Xsens, che è anch’esso basato su sensori inerziali ma fornisce cinematiche complete).
• Sono stati calcolati anche altri indici basati su sensori inerziali già noti in letteratura, come il Movement Deviation Profile (MDP), il Dynamic Time Warping (DTW), l’IMU-based Gait Normalcy Index (INI) e il Multifeature Gait Score (MGS), per avere più termini di paragone.
• Infine, si è cercato di capire se questi metodi fossero in grado di distinguere tra i diversi sottogruppi di utenti di protesi.

L’obiettivo era duplice: vedere se l’HMM-SM fosse clinicamente rilevante (cioè, se i suoi risultati avessero senso rispetto al GPS) e confrontare le sue prestazioni con quelle degli altri metodi basati su sensori.

Cosa Abbiamo Scoperto? I Risultati Sono Promettenti!

Ebbene, i risultati sono stati davvero incoraggianti! L’HMM-SM ha dimostrato correlazioni da moderate a forti con il GPS, specialmente quando i sensori erano posizionati sulla parte inferiore della gamba (correlazione r = -0.55; il segno negativo è atteso perché l’HMM-SM misura la similarità, quindi un punteggio alto è buono, mentre per il GPS un punteggio alto indica maggiore deviazione, quindi è peggio). Anche i sensori sul bacino hanno dato buoni risultati con altri metodi. In generale, i sensori sulla parte superiore della gamba non sono sembrati altrettanto efficaci per queste misurazioni dirette del segnale.

Questo ci dice una cosa fondamentale: i sensori inerziali posizionati sul bacino e sulla parte inferiore della gamba possono fornire indicatori validi della qualità generale della camminata. E l’HMM-SM è un ottimo candidato per farlo!

Confrontando i vari metodi, è emerso un quadro interessante:

• Il DTW (Dynamic Time Warping), un altro metodo che analizza direttamente le serie temporali dei segnali, ha mostrato le correlazioni più forti con il GPS, soprattutto con i sensori sulla parte inferiore della gamba (r = 0.68). Questo suggerisce che anche metodi relativamente semplici possono essere molto efficaci.
• L’INI (IMU-based Gait Normalcy Index), che si basa su parametri specifici estratti dai sensori, ha avuto la correlazione più alta in assoluto con il GPS (r = 0.76). Questo è notevole, ma l’INI richiede la misurazione accurata di molti parametri, il che può essere una sfida.
• L’MGS (Multifeature Gait Score), un altro metodo basato su parametri, ha mostrato una correlazione negativa inaspettata, indicando che i suoi punteggi miglioravano al peggiorare della cinematica secondo il GPS. Questo evidenzia come la scelta dei parametri sia cruciale e possa non essere universale per tutte le popolazioni.
• L’HMM-SM e l’MDP (Movement Deviation Profile) hanno avuto prestazioni comparabili, con correlazioni moderate con il GPS per le configurazioni sulla parte inferiore della gamba.

Un aspetto molto interessante dell’HMM-SM, e degli approcci basati sull’analisi diretta del segnale come DTW e MDP, è che non richiedono la definizione e validazione di un set predefinito di parametri biomeccanici. Questo li rende potenzialmente più adattabili a diverse popolazioni cliniche e meno dipendenti dalla precisione con cui si misurano singoli parametri, che con i sensori indossabili può essere complessa.

Distinguere tra Pazienti: Un Altro Punto a Favore

Un’altra domanda cruciale era: questi metodi riescono a “vedere” le differenze tra i vari tipi di utenti di protesi? La risposta è sì, anche se con sfumature diverse. L’HMM-SM, considerando le configurazioni dei sensori sulla parte inferiore della gamba e sul bacino, è riuscito a identificare ben 5 differenze significative tra i sottogruppi. Ad esempio, con i sensori sul bacino, l’HMM-SM ha mostrato che le persone con accorciamento dell’arto avevano punteggi significativamente più bassi (cioè una camminata meno simile a quella di riferimento) rispetto agli altri tre tipi di utenti di protesi (transtibiale, transfemorale, Van-Nes). Questo suggerisce che l’HMM-SM potrebbe essere particolarmente sensibile ai cambiamenti cinematici del bacino, spesso usati come strategie compensatorie.

È curioso notare che nessuno dei metodi basati sui segnali (HMM-SM, MDP, DTW), né il GPS stesso, ha trovato differenze significative tra il gruppo transtibiale (amputazione sotto il ginocchio) e quello transfemorale (amputazione sopra il ginocchio). Questo potrebbe essere dovuto al fatto che molti utenti transfemorali nello studio usavano ginocchia protesiche a microprocessore, che migliorano notevolmente la camminata.

Un dato che mi ha colpito: quando si è provato a correlare questi indici di qualità della camminata con le misure funzionali auto-riferite dai pazienti (cioè quanto si sentivano capaci di muoversi), non sono emerse correlazioni significative. Questo non è del tutto sorprendente e sottolinea una cosa importante: la qualità della camminata (come la misuriamo con questi indici) e la funzione o capacità deambulatoria percepita sono due cose distinte, anche se correlate. Entrambe sono importanti da monitorare!

Vantaggi e Prospettive Future: Verso una Riabilitazione Personalizzata

Allora, cosa ci portiamo a casa da tutto questo? L’HMM-SM si è dimostrato un metodo promettente per valutare la qualità della camminata usando semplici sensori inerziali. I suoi vantaggi?

• Accessibilità e portabilità: addio laboratori costosi, benvenuta analisi nel mondo reale!
• Oggettività: dati numerici per supportare le decisioni cliniche.
• Adattabilità: non essendo legato a parametri specifici, potrebbe funzionare bene per diverse tipologie di pazienti.
• Potenzialità per il monitoraggio continuo: immaginate sistemi indossabili che tracciano la qualità del passo nel tempo, fornendo feedback a pazienti e clinici. Questo aprirebbe la strada a una riabilitazione davvero personalizzata e tempestiva.

Certo, la ricerca non si ferma qui. Ci sono ancora aspetti da approfondire:

• Ripetibilità: bisogna verificare quanto siano stabili queste misure nel tempo, se ripetute sullo stesso paziente senza interventi.
• Campioni più ampi: studi con più partecipanti aiuterebbero a confermare i risultati e magari a scoprire correlazioni più sottili.
• Ottimizzazione degli iperparametri: per l’HMM-SM, continuare a testare diverse configurazioni del modello (come il numero di “stati nascosti”) potrebbe migliorarne ulteriormente le prestazioni.
• Test in condizioni “free-living”: come si comportano questi metodi fuori dal laboratorio, nella vita di tutti i giorni, con tutte le sue variabili?
• Validazione su altre popolazioni: l’HMM-SM funzionerà altrettanto bene per persone con Parkinson, ictus o altre condizioni che alterano la camminata?

Nonostante queste doverose precisazioni, la strada intrapresa è entusiasmante. Lo sviluppo di sistemi rapidi, facili da usare e integrabili nella pratica clinica quotidiana è cruciale. E l’idea di poter monitorare continuamente la camminata fuori dalla clinica, supportando la valutazione dei progressi e dei cambiamenti a lungo termine, è qualcosa che potrebbe davvero fare la differenza.

In Conclusione: Un Passo Avanti per la Qualità della Vita

L’HMM-SM, insieme ad altri metodi basati su sensori inerziali, rappresenta un passo avanti significativo. Offre la possibilità di ottenere una valutazione della qualità della camminata facilmente interpretabile, senza la necessità di complesse calibrazioni di parametri o addestramenti modello troppo onerosi. Questo li rende strumenti flessibili e promettenti per una vasta gamma di deviazioni della deambulazione.

Per noi ricercatori e per i clinici, è un campo in fermento. Per i pazienti, è la promessa di una tecnologia che può supportare attivamente il loro percorso riabilitativo e migliorare la loro qualità di vita. E questo, per me, è l’aspetto più bello della scienza!

Fonte: Springer