仪器化步道步态分析预测神经系统疾病跌倒者：识别用于平衡监测的数字生物标志物

《Sensors》：Instrumented Walkway Gait Analysis Predicts Fallers in Neurological Disorders: Identifying Digital Biomarkers for Balance Monitoring

　　

在神经康复中评估平衡至关重要，尽管可穿戴传感器可实现真实世界监测，但识别可靠的数字生物标志物仍具挑战。本研究利用高保真仪器化步道（instrumented walkway）确定哪些步态参数最能预测平衡受损，为未来可穿戴应用提供稳健目标。研究人员分析了140名不同神经系统疾病个体的49个稳态步态指标。通过统计分析与机器学习，将这些参数与测力台重心（center of pressure, COP）摇摆评分及临床跌倒史标签进行对照。组间分析识别出16个显著区分跌倒者与非跌倒者的参数，神经网络分类跌倒者的曲线下面积（area under the curve, AUC）达0.75。在所有分析方法中，整体步态变异性（如步宽标准差（Stride Width S.D.）与步态变异性指数（Gait Variability Index, GVI））成为平衡受损与跌倒风险的普适预测因子。此外，传统线性模型强调空间姿势控制，而机器学习分类独特地识别出肢体间不对称性（inter-limb asymmetry）为跌倒预测的首要驱动因素。这些发现表明仪器化步态分析可有效识别平衡缺陷的数字生物标志物。分离这些特定指标为连续客观监测及未来个性化自适应康复策略开发提供了清晰蓝图。

研究背景与问题提出

平衡维持是人类活动能力与独立性的基石。在老年及神经功能受损人群中，步态与平衡控制缺陷是跌倒的直接前兆，而跌倒是发病、死亡及丧失独立性主要原因之一。步态指以时空参数（如速度、步长）衡量的行走生物力学，平衡指静态与动态姿势稳定性，二者在神经系统疾病中均可受损，且平衡功能比单纯步态速度更能预测跌倒等不良结局，动态平衡测量更能在神经疾病早期检出异常。现有临床量表（如Berg平衡量表、Mini-BESTest）对早期细微变化不敏感、缺乏量化粒度；金标准测力台与三维运动分析虽精确，但多限于静态实验室条件，难以反映日常行走中的平衡功能。可穿戴设备虽便于真实世界监测，但缺乏标准化、传感器布设繁琐且数据质量依赖贴放精度。因此，亟需先借助高保真参考平台识别应被下一代可穿戴靶向的“数字生物标志物（digital biomarker）”。仪器化步道作为无需贴传感器的半自动黄金校验平台，可提供丰富步态特征，是理想的发现平台。本文发表于《Sensors》，旨在从仪器化步道数据中提取可推断底层平衡控制的步态数字生物标志物，为连续监测与自适应康复提供参数蓝图。

主要关键技术方法

研究为横断面观察，回顾2025年2月至7月梅奥诊所神经步态障碍实验室临床记录，最终纳入140名确诊神经系统疾病（正常压力脑积水、小脑性共济失调、多发性硬化、帕金森病）且完成跌倒史问卷者。步态数据由ProtoKinetic Zeno 20英尺仪器化步道采集，PKMAS软件提取49个跨域步态特征（经文献知识剔除冗余后）；平衡金标准采用Bertec测力台行改良临床感觉整合平衡测试（mCTSIB），取重心（center of gravity, COG）平均速度与COP摇摆面积最大值。步态特征经梅奥衰老研究队列（n=5635）z分数标准化，协变量（年龄、性别、身高、体重、BMI）回归剔除后，分别构建LASSO回归预测力台指标、Welch t检验组间差异、LASSO逻辑回归/随机森林/SVM/神经网络（两隐藏层256及64节点，Adam优化）留一法或10折交叉验证分类跌倒者。

研究结果

3.1 参与者步态特征

140人平均67.0±15.4岁，男女比92:48，主要诊断为正常压力脑积水（60.7%）。跌倒组（79人）与非跌倒组（61人）在年龄、性别、体格指标及诊断分布无差异，但跌倒组助行器依赖更高（p=0.01）、自评步态信心更低（p<0.001）。

3.2 测力台平衡指标的回归分析

LASSO预测COG平均速度MSE=0.11、R²=0.37，选中步宽COP距离标准差、步宽、SS COP距离等8参数；预测COP摇摆面积MSE=0.001、R²=0.24，选中步宽标准差、SS COP距离、CISP前后比等7参数。表明步态变异性与动态姿势控制特征可中度解释静态平衡指标。

3.3 非跌倒与跌倒组步态参数组间差异

Welch t检验显示49参数中16个显著（p<0.05）。变异类最突出：CISP前后比标准差效应量中等至大，GVI在跌倒组升高（133.74±13.17 vs 125.76±14.21，d=0.59）；步宽标准差、SS比标准差、趾内外翻角标准差等均中度差异。时空均值上跌倒组速度降低14.60 cm/s、步长缩短、双支撑COP距离增大。说明跌倒者表现为变异性增高伴谨慎慢速宽基补偿。

3.4 基于步道步态参数预测跌倒者

10折交叉验证中神经网络AUC最高0.747，逻辑回归、随机森林、SVM相近。证明短暂行走步态特征可作自动筛查标志。

补充亚组分析显示SS比变异性在NPH与非NPH亚组均显著，神经网络在NPH-only AUC=0.775、non-NPH AUC=0.799，证实模型捕捉的是跨诊断通用平衡受损信号而非诊断表型。

讨论部分总结

三种分析视角（力台回归、组间检验、ML分类）收敛出三类核心数字生物标志物：（1）步态变异性（步宽S.D.、GVI为通用预测子）反映步间校正增多与神经肌肉控制下降；（2）动态姿势控制中COP路径指标在组间显著，而ML独有揭示肢体间不对称指数（如Stance COP distance mean-ASI）为分类首要驱动，提示代偿性不对称负重是跌倒关键；（3）足部放置与支撑基参数（步宽、趾角）的变异性而非均值表征平衡受损。步态预测静态力台指标R²仅0.24–0.37，印证静态与动态平衡属相关但异质构念。研究局限为横断面、自报跌倒史回忆偏倚、专病队列、稳态直行未含真实环境扰动。

结论部分翻译

综上，本研究提供初步证据：仪器化简单行走任务分析是一种实用且临床可及的平衡受损评估方法。研究发现步态变异性是神经疾病队列中跌倒者与非跌倒者的核心差异；基于反映动态姿势控制、变异性与不对称的步态参数所建初步分类模型，以AUC 0.747的中等准确度检出平衡缺陷。本研究奠基性指明特定步态指标可传递平衡受损信息。未来需在更大纵向多病种队列中验证这些步态生物标志物对远期结局的预测力。最终，通过精确界定待测指标及其平衡与跌倒风险含义，本发现为将其他可穿戴传感技术适配临床、推进客观监测与个性化康复未来提供基础。