Том 18, номер 4 (2026)

Разработка системы для прогнозирования риска падений у неврологических пациентов на основе искусственного интеллекта

Е.С. Иконникова, А.Е. Слотина, Г.А. Белянкин, М.А. Забелло, В.Ю. Вишняков, А.В. Лобанов, Н.В. Бэдэнэу, А.А. Добровольский, Д.О. Земляная, А.Ю. Тропынина, О.А. Кириченко, А.В. Байдукова, Н.А. Супонева

---

2026, Том 18, номер 4, стр. 42 Назад

Введение

По данным Всемирной организации здравоохранения, ежегодно в мире происходит 37,3 млн падений, при которых требуется оказание медицинской помощи. Как показывают исследования, наибольшему риску падений подвержены люди пожилого возраста (60–80 лет) [1], при этом данная проблема затрагивает до 50% людей в возрасте старше 80 лет [2–4]. 20–30% пациентов, переживших падение в пожилом возрасте, нуждаются в неотложной медицинской помощи и проведении различного вида дорогостоящих операций [2, 5, 6].

Заболевания нервной системы вносят существенный вклад в структуру риска падений и нарушений равновесия [7, 8]. Ретроспективные исследования историй болезни пациентов показывают, что в условиях неотложных стационаров падения чаще всего наблюдаются именно у неврологических пациентов, а также зависят от возраста и длительности нахождения на стационарном лечении [9]. При этом стоит отметить, что большинство падающих неврологических пациентов — люди пожилого и старческого возраста. Результаты систематического обзора [10] свидетельствуют о том, что среди молодых пациентов с заболеваниями нервной системы при нивелировании влияния возрастного фактора доля лиц, перенесших как минимум один эпизод падения, достигает 50%. Данный факт указывает на независимый вклад нейрогенных механизмов в формирование общего риска падений. По данным экспертных оценок, затраты на лечение последствий падения (например, перелома шейки бедра) в системе здравоохранения Российской Федерации могут достигать 300 тыс. руб., при этом последующая длительная реабилитация обходится до 1 млн руб. В связи с этим сокращение числа падений среди пациентов с нарушениями равновесия представляет собой социально значимую задачу. Актуальность проблемы будет неуклонно расти по мере повышения возраста активного долголетия.

С точки зрения неврологических симптомов, которые наиболее тесно связаны с риском падения, к ведущим относят когнитивные нарушения, нарушения поверхностной и глубокой чувствительности, нарушения двигательных функций и мобильности [11]. При проведении анализа основных причин падений у пациентов, как правило, на первое место выходят случайные (внезапные) падения, связанные с окружающей средой, — 31%, а на втором месте стоят падения, связанные с нарушением походки и равновесия, — 17% [12].

Одним из главных решений проблемы падений пациентов неврологического профиля является своевременная и точная оценка рисков с последующими профилактическими мероприятиями. Для такой оценки используются два подхода: клинический и инструментальный, причем число используемых инструментов, согласно данным метаанализов, более 20 [13]. Клинический подход основан на применении диагностических клинических шкал, тестов и опросников. Краткие скрининговые методы, как правило, включают в себя опрос пациента об основных факторах риска падения (падения в анамнезе, прием пре­паратов, наличие систем внутривенного
введения препаратов, сопутствующие заболевания и др.) и качественную субъективную оценку 1–2 двигательных нарушений (ходьба, мобильность, шаткость и др.) [14]. Такой подход не лишен недостатков, однако решает задачу базового массового скрининга [15] в стационарных учреждениях [16, 17].

Более подробная и специфическая клиническая оценка подразумевает использование тестов и шкал, оценивающих риск падения, связанный с нарушением двигательной функции: тест «Встань и иди» (TUG), шкала баланса Берг, шкала Тинетти, mini-Best тест и др. При этом стоит отметить, что не существует универсального подхода к определению риска падений по данным этих шкал: мнения специалистов не совпадают, что затрудняет комплексную оценку публикаций в данной области. Для неврологических пациентов наиболее чувствительны и специфичны к оценке рисков падений шкала баланса Берг и тест TUG [13]. Эти инструменты наиболее удобны и применимы в отличие от шкалы Тинетти и Dynamic Gait Index (которые являются описательными), а также не требуют использования дополнительного оборудования (наклонные поверхности и др.), как Fullerton Advanced Balance Scale или mini-Best тест.

Несмотря на большую популярность клинических шкал в оценке риска падения у неврологических пациентов, все они обладают одним существенным недостатком — субъективностью [13], а значит — оператор-зависимы. Объективно и более точно оценивают характер нарушений равновесия при неврологических заболеваниях методики биомеханической оценки: компьютерная стабилометрия и анализ походки. Разумеется, объективные инструментальные методы (стабилографические платформы, системы захвата движений, стереокамеры, специальные маркеры, носимые датчики) требуют от тестирующего специалиста наличия навыков в проведении исследования и интерпретации данных.

В последние годы активно развиваются автоматизированные компьютерные решения [18–21]. Самое сложное — анализ походки — стали поручать искусственному интеллекту (ИИ): в настоящее время имеются десятки исследований в области диагностики различных заболеваний по походке (болезнь Паркинсона, депрессия и многие другие) [22–24], в том числе на ранних стадиях. Определение риска падения является менее сложной и специфической задачей, а значит, потенциально выполнимой при обработке видеозаписи системой ИИ. Сегодня с успехом реализуется ИИ-обработка изображений, полученных с помощью стереокамер и датчиков, а также значительно улучшены так называемые модели HPE (human pose estimation), оценивающие позу и движения человека при обработке 2D-видео, снятого на одну камеру [25].

Целью настоящего исследования является разработка модели диагностики нарушений равновесия и риска падений у пациентов неврологического профиля, основанной на ИИ-анализе полученных видеоизображений.

Материалы и методы

В исследовании приняли участие 187 пациентов (87 мужчин и 100 женщин) с неврологическими заболеваниями различной этиологии (табл. 1) и жалобами на неустойчивость и шаткость при ходьбе. Медиана возраста составила 59 [46; 69] лет.

Таблица 1. Распределение пациентов по нозологиям (в соответствии с МКБ-10)

Код по МКБ-10	Заболевание по МКБ-10	Количество пациентов
I69.3	Последствия инфаркта мозга	49
I67.8	Другие уточненные поражения сосудов мозга	25
G35	Рассеянный склероз	18
G12.2	Болезнь двигательного нейрона	15
G20	Болезнь Паркинсона	14
G31.9	Дегенеративная болезнь нервной системы неуточненная	9
G11.2	Поздняя мозжечковая атаксия	6
I69.1	Последствия внутричерепного кровоизлияния	5
G31.8	Другие уточненные дегенеративные болезни нервной системы	4
G40.2	Локализованная (фокальная) (парциальная) симптоматическая эпилепсия и эпилептические синдромы с комплексными парциальными судорожными припадками	3
I67.3	Прогрессирующая сосудистая лейкоэнцефалопатия	3
E83.0	Нарушения обмена меди	2
G04.8	Другой энцефалит, миелит и энцефаломиелит	2
G11.4	Наследственная спастическая параплегия	2
G23.1	Прогрессирующая надъядерная офтальмоплегия [синдром Стила–Ричардсона–Ольшевского]	2
G37.9	Демиелинизирующая болезнь центральной нервной системы неуточненная	2
G62.9	Полиневропатия неуточненная	2
G71.0	Мышечная дистрофия	2
D33.0	Доброкачественное новообразование головного мозга и других отделов центральной нервной системы	1
G10	Болезнь Гентингтона	1
G23.2	Множественная системная атрофия, паркинсонический тип [MSA-P]	1
G23.3	Множественная системная атрофия, мозжечковый тип [MSA-C]	1
G25.8	Другие уточненные экстрапирамидные и двигательные нарушения	1
G36.0	Оптиконевромиелит [болезнь Девика]	1
G36.9	Острая диссеминированная демиелинизация неуточненная	1
G37.5	Концентрический склероз [болезнь Бало]	1
G37.8	Другие уточненные демиелинизирующие болезни центральной нервной системы	1
G40.9	Эпилепсия неуточненная	1
G54.5	Невралгическая амиотрофия	1
G54.8	Другие поражения нервных корешков и сплетений	1
G61.0	Синдром Гийена–Барре	1
G72.4	Воспалительная миопатия, не классифицированная в других рубриках	1
G90.8	Другие расстройства вегетативной [автономной] нервной системы	1
G95.1	Сосудистые миелопатии	1
G95.8	Другие уточненные болезни спинного мозга	1
I62.9	Внутричерепное кровоизлияние (нетравматическое) неуточненное	1
I69.0	Последствия субарахноидального кровоизлияния	1
M48.0	Спинальный стеноз	1
M54.6	Боль в грудном отделе позвоночника	1
T90.5	Последствия внутричерепной травмы	1

27 пациентов имели диагностированные заболевания опорно-двигательного аппарата в анамнезе: микрохирургическую декомпрессию позвоночного канала на поясничном уровне (n=8), компрессионный перелом грудных позвонков (n=2), артрозы суставов нижних конечностей (n=11), артриты (n=2), травмы нижних конечностей давностью более 1 года и менее 3 лет (n=4); 4 пациентам проведено в анамнезе эндопротезирование суставов нижних конечностей.

100 пациентов имели диагностированные нарушения зрения: амблиопию (n=3), гемианопсию (n=9), глаукому (n=2), катаракту (n=39), макулодистрофию (n=1), миопию и астигматизм (n=39), частичную атрофию зрительного нерва (n=6), увеит (n=1).

Исследование проведено в соответствии с Хельсинкской декларацией (2024) и одобрено локальным этическим комитетом Российского центра неврологии и нейронаук (протокол №9-4/25 от 20.10.2025 г.). Все пациенты подписали информированное согласие.

Все пациенты до начала видеозаписи проходки были оценены с помощью теста TUG с определением группы риска падения [26].

Тест на прохождение 10 м пациенты проводили в обуви с комфортной скоростью; в обуви с максимальной скоростью; без обуви с комфортной скоростью; без обуви с максимальной скоростью.

Запись ходьбы выполняли на 2 смартфона, которые находились на расстоянии 14 м друг от друга. Пациент при этом располагался в начале нескольз­кой дорожки длиной 10 м, и его задачей было пройти до конца дорожки с комфортной или максимальной скоростью. Для анализа видеоизображения первые и последние 2 м были исключены (фаза ускорения и торможения) — по аналогии с модифицированным 10-метровым тестом ходьбы [27].

Запись теста TUG также проводили на 2 смартфона, расположенных на расстоянии 4 м друг от друга. Таким образом, на одного пациента было получено 10 видеозаписей ходьбы, которые в дальнейшем были использованы для создания модели диагностики риска падения при помощи ИИ. В исходный набор данных для обучения модели ИИ были включены параметры походки 148 пациентов (1285 видеозаписей и 8329 шагов, выделенных по моментам отрыва правой ноги). На этапе предварительной обработки данных нами были исключены пациенты, использующие вспомогательные средства опоры — костыли, трости (всего 8 пациентов, соответственно 55 видеозаписей и 510 шагов). Для формирования обучающей выборки использовали видеозаписи, в которых пациенты двигались от камеры. Эта выборка включала 140 пациентов, 612 видеозаписей и 3972 шага.

Видеоизображения были собраны в единую обезличенную базу данных. Последующую обработку и анализ выполняли следующим образом. Вначале вручную очищали данные на уровне отдельных шагов. Шаги исключали при наличии хотя бы одного из следующих критериев:

1) если расхождение между фактической длиной шага и длиной, спрогнозированной методом Фурье, превышает 20%;

2) если относительная длительность фазы опоры выходит за пределы 0,3–0,7 от фактической длины шага;

3) если минимальный угол сгибания в тазобедренном суставе находится вне диапазона 50–90°;

4) если минимальная амплитуда движения голеностопного сустава превышает 2°;

5) если максимальное отклонение голеностопа по оси Х меньше 0,35;

6) если максимальное отклонение плечевого пояса по оси Х выходит за пределы 0,70–0,86;

7) если минимальное отклонение голеностопа по оси Х меньше 0.

После применения всех перечисленных критериев в финальную обучающую выборку вошли данные 122 пациентов (411 видеозаписей и 2077 шагов).

С целью создания модели для диагностики риска падения при помощи ИИ в работе рассмотрены четыре нейросетевые архитектуры оценки позы. В качестве одного из алгоритмов оценки позы использовали архитектуру OpenPose. В данной архитектуре сначала нейронная сеть обнаруживает ключевые точки всех людей на изображении, а затем формирует вероятностные поля связности (part affinity fields), описывающие принадлежность этих точек к отдельным скелетам [28]. Другая используемая нами архитектура — YOLOv8 Pose. В отличие от архитектуры OpenPose, она относится к моделям с предварительным выделением людей: сначала детектируют отдельные фигуры людей, а затем для каждой из них оценивают положение суставов [29]. Архитектура YOLO-NAS Pose M выполняет обнаружение человека и оценку его позы за один этап, что позволяет сократить время обработки и упростить вычисления без потери точности [30]. Для полноты сравнения в анализ также включена архитектура BlazePose — легкая модель оценки позы, предназначенная для работы в режиме реального времени на мобильных и встраиваемых устройствах [31]. На основании анализа математических моделей в качестве рабочей модели для проведения исследования была выбрана архитектура YOLO-NAS Pose M.

Для отбора архитектур использовали комбинированный критерий, включавший как точность обнаружения ключевых точек, так и стабильность восстановления позы во времени. Как репрезентативный показатель обобщенного качества детекции и локализации ключевых точек применяли метрику mean average precision (mAP, средняя точность обнаружения), рассчитанную на стандартном наборе данных COCO Keypoints (эталонная база изображений с вручную размеченными ключевыми точками тела человека, применяемая для оценки качества алгоритмов распознавания позы) [32]. Метрика показывает, насколько точно модель определяет положение суставов человека по сравнению с эталонной разметкой: чем выше значение mAP, тем ближе предсказанные координаты суставов к их истинному положению. Она применяется как показатель обобщенного качества детекции и локализации ключевых точек. Проводили сравнительный анализ стабильности восстановленных координат суставов во времени и частоты выбросов, приводящих к нестабильным реконструкциям скелета. По совокупности результатов архитектура YOLO-NAS Pose M продемонстрировала наименьшую вариативность координат и редкие выбросы, что при сопоставимом значении mAP на COCO Keypoints определило ее выбор в качестве основной рабочей модели.

Статистическую обработку результатов проводили на персональном компьютере с применением пакета прикладных программ Statsoft Statistica v. 13.0 с помощью критериев Манна–Уитни (при сравнении независимых выборок), Уилкоксона (при сравнении зависимых выборок) и коэффициента корреляции Спирмена. Данные представляли в виде медианы и 25- и 75-процентных квартилей медианы. Статистически значимыми считали различия при р<0,05.

Результаты

Распределение пациентов по риску падения и их характеристика

При разделении пациентов на группы риска падений по тесту TUG использовали не классическую отметку 13,5–14,0 с, полученную на исследованиях с малой выборкой [2, 33, 34], а более релевантную методику разделения, в основу которой положено оригинальное исследование, опубликованное разработчиками данного теста [26]. Эта методика модифицирована в связи с невозможностью ее применения у пациентов с выраженной степенью нарушения мобильности, которая соответствует абсолютному нарушению функции по Международной классификации функционирования (МКФ). На основании результатов оценки нарушений функции равновесия по МКФ была выполнена стратификация риска падения (табл. 2). Данная методика определения риска падения, связанного с нарушением двигательной функции и динамического равновесия, уже показала свою эффективность в предыдущем исследовании [35].

Таблица 2. Стратификация риска падения, ассоциированного с двигательной функцией и мобильностью, по тесту TUG

Группы (характеристика групп)	Риск падения	Коды МКФ d410–d429	Время выполнения теста, с	Количество пациентов
Группа 1 (полная функциональная независимость)	Нет риска падения	0 — нет затруднений (0–4%)	<10	66 (36%)
Группа 2 (не требуется помощь при вставании со стула и при посещении туалета; умеренная помощь при приеме душа; не требуется поддержка при ходьбе, редкое использование трости; способен проходить без помощи дистанцию в 45 м, самостоятельно подниматься по лестнице и безопасно выходить на улицу самостоятельно)	Низкий риск падения	1 — легкие затруднения (5–24%)	10–19	107 (57%)
Группа 3 (может потребоваться незначительная помощь при перемещении со стула; редко требуется помощь при посещении туалета; умеренная помощь при приеме душа; использование трости при ходьбе, редко ходьба присмотром — с ассистентом; нуждается в незначительной помощи при прохождении дистанции в 45 м; требуется умеренная помощь при подъеме по лестнице; чаще требуется поддержка и помощь при выходе на улицу, может выходить самостоятельно, но небезопасно)	Высокий риск падения	2 — умеренные затруднения (25–49%)	20–29	10 (5%)
Группа 4 (часто требуется помощь при перемещении со стула, редко не может встать; умеренная помощь при посещении туалета; часто требуется помощь при приеме душа; постоянное использование опоры ходьбе — трость, ходунки, сопровождение ассистентом; часто не может пройти дистанцию в 45 м, требуется помощь при прохождении дистанции; часто нуждается в помощи при подъеме по лестнице, иногда не может подняться; всегда требуется поддержка и сопровождение при выходе на улицу)	Очень высокий риск падения	3 — тяжелые затруднения (50–95%)	30 или больше	4 (2%)
Группа 5 (может находиться исключительно в положении сидя или лежа, не может встать и пройти даже с поддержкой)	Нет риска падения	4 — абсолютные затруднения (96–100%)	Невозможно выполнить тест	0 (0%)

Результаты кластеризации пациентов с использованием методов машинного обучения и анализа биомеханики, их корреляция с риском падения

Модель определения фаз шага. На первом этапе по очищенным и скорректированным данным, исходя из изменения расстояния до камеры, был рассчитан набор признаков для каждого кадра: углы сочленений (соответствующие анатомически углам в суставах) и длины проекций отдельных сегментов тела. После этого был построен набор моделей для определения фаз шага. В качестве целевых переменных применяли бинарные признаки, соответствующие временным меткам событий касания пятки, касания носка, отрыва пятки и отрыва стопы для правой и левой ноги.

Для обучения модели, предсказывающей границы фаз шага, была произведена ручная разметка 200 походок, отмечены номера кадров: отрыва ноги, касания пятки, касания носка и отрыва пятки, что соответствует фазам шага (рис. 1).

Рис. 1. Соответствие разметки фаз шага искусственного интеллекта классическим биомеханическим фазам

Модели ИИ подавался набор данных с признаками походки и разметкой событий, представленных на рис. 1 для левой и правой ноги соответственно. Данные нормализовали и очищали от пропусков. Для каждого кадра формировалось контекстное окно, окно разворачивалось в один вектор признаков, связанных с кинематическими характеристиками шага (длины проекций отдельных сегментов тела, углы сочленений). На таких примерах осуществлялся алгоритм машинного обучения по методу случайного леса (модель «случайный лес») в многовыходной постановке: для каждого биомеханического события был обучен свой бинарный классификатор, после этого выполнялся подбор внешних настроек алгоритма (например, скорость обучения, глубина модели).

Для неразмеченных данных определяли те же параметры, и после обработки моделью ИИ на выходе получали список массивов вероятностей — по одному на каждое событие (касание пятки, касание носка, отрыв пятки и отрыв стопы). Далее устанавливали длительность шага, т.е. сколько кадров проходит между двумя одинаковыми событиями походки.

Сначала оценивали средний период шага по частоте повторения движений, с этой целью использовали преобразование Фурье как для биомеханических сигналов, так и для откликов нейросети. Это давало несколько независимых оценок того, как часто повторяется шаг.

Затем эти оценки уточняли по реальным событиям походки: из выходов модели выделялись моменты касания и отрыва стопы и подбиралось такое число кадров, при котором интервалы между этими событиями лучше всего соответствовали целому числу шагов. Таким образом получались более точные, «привязанные к событиям» оценки длины шага.

Из всех полученных оценок удаляли те, которые сильно расходились с большинством: сначала вычисляли медианную (наиболее типичную) длительность шага, после чего отбрасывали значения, отклонявшиеся от нее более чем на 30%. Затем дополнительно удаляли крайние 15% самых больших и самых маленьких значений, чтобы исключить редкие выбросы.

Далее выполняли поэтапную идентификацию био­механических событий на основе выходных вероятностей модели. Сначала отбирались события с высокой достоверностью, после чего по мере снижения порогов вероятности добавлялись менее выраженные кандидаты, но только в случае их согласованности с ранее оцененной длительностью шага и между собой. При этом контролировали регулярность временных интервалов и симметрию между правой и левой конечностями.

Области в начале и конце временного ряда, характеризующиеся повышенной неопределенностью, исключали из анализа, и все события за пределами надежной зоны отбрасывали. Затем проверяли корректность порядка фаз внутри каждого шага, и при необходимости недостающие события восстанавливали, если их временное положение соответствовало ожидаемой структуре шага и его оцененной длительности.

В итоге для каждого видео формировался набор признаков с разметкой фаз шага. Результаты оценки фаз шага по каждой из моделей ИИ приведены в табл. 3.

Таблица 3. Разделение фаз шага (в секундах)

Событие	MAE	RMSE
Отрыв правой ноги	0,069	0,218
Касание правой пятки	0,085	0,176
Касание левого носка	0,087	0,179
Отрыв правой пятки	0,104	0,227
Касание правого носка	0,085	0,158
Касание левой пятки	0,085	0,216
Отрыв левой ноги	0,078	0,223
Отрыв левой пятки	0,091	0,216

Примечание. MAE — средняя абсолютная ошибка; RMSE — среднеквадратичная ошибка.

Критерии отбора шагов. По полученным предсказаниям из дальнейшей выборки исключали шаги, где предсказанная моделью длина шага отличалась от спрогнозированной методом Фурье больше чем на 20% и длина фазы опоры выходила за рамки 0,3–0,7 от предсказанной длины шага. Были также исключены шаги, где значения основных признаков характеризовали статистические выбросы.

Модель первого уровня. В данной модели анализ предсказания риска падения системой ИИ осуществляли на основании анализа одного шага.

После отбора качественных шагов для каждого из них формировался вектор признаков, включающий экстремальные значения (минимумы/максимумы), отношения углов в суставах, длины сегментов конечностей, а также скорости и ускорения отдельных суставов. Для дальнейшего анализа данные были разделены на две группы в зависимости от направления проходов: от камеры и на камеру. На первом этапе моделирования прологарифмированное время выполнения теста TUG аппроксимировалось линейной регрессией по нормированной длине шага (длина шага, деленная на частоту съемки). Для последующего анализа погрешностей линейной модели и повышения прогностической точности были сопоставлены три модели машинного обучения: «дерево решений», «случайный лес» и одна из реализаций модели «градиентный бустинг» (табл. 4) [36].

Таблица 4. Метрики качества модели предсказания аппроксимации времени TUG первого уровня для проходов от камеры (в секундах)

Модель	MAE	MSE	RMSE	R2
Дерево решений	3,092	16,102	4,012	0,403
Случайный лес	2,680	12,018	3,466	0,554
LGBM (одна из реализаций градиентного бустинга)	3,186	17,054	4,129	0,367

Примечание. MAE — средняя абсолютная ошибка; MSE — квадратичная ошибка; RMSE — среднеквадратичная ошибка; R² — коэффициент детерминации.

По результатам сравнительного анализа наивысшую точность продемонстрировала модель «случайный лес». Это объясняется тем, что данный алгоритм подходит в случаях, когда необходима стабильная модель с хорошей обобщающей способностью для работы с зашумленными данными. Модель «случайный лес» также продемонстрировала меньшую склонность к переобучению по сравнению с моделью «градиентный бустинг», особенно в условиях ограниченного объема данных (табл. 5).

Таблица 5. Метрики качества модели предсказания аппроксимации времени TUG первого уровня для проходов на камеру (в секундах)

Модель	MAE	MSE	RMSE	R2
Дерево решений	1,739	5,408	2,326	0,331
Случайный лес	1,703	4,207	2,051	0,480
LGBM (одна из реализаций градиентного бустинга)	1,800	4,696	2,167	0,419

Примечание. MAE — средняя абсолютная ошибка; MSE — квадратичная ошибка; RMSE — среднеквадратичная ошибка; R² — коэффициент детерминации.

Далее на основании статистического анализа нами были выделены наиболее информативные признаки, характеризующие общую устойчивость и безопасность походки и связанные с увеличением риска падения. Данные признаки легли в основу разработки предиктивной модели первого уровня.

1. Максимальное отклонение стопы по оси X (рис. 2) отражает боковые смещения стопы: малые значения были характерны для высокой скорости ходьбы, что проявлялось на видео постановкой стоп на одном уровне; чрезмерно большие значения были характерны для походки на широкой базе (компенсация неустойчивости). Таким образом, данный показатель позволял модели ИИ достаточно точно предсказывать риск падения, который линейно возрастал с увеличением показателя базы шага.

Рис. 2. Зависимость ошибок аппроксимации времени TUG от величины максимального отклонения стопы по оси X (база шага) и распределение количества шагов по значениям этого признака

2. Минимальное отклонение плеч по оси X (рис. 3) описывает боковые колебания корпуса во время ходьбы: увеличение данного показателя ассоциируется с более высокой вероятностью утраты равновесия. Данный показатель в нашей выборке значительно возрастал при увеличении риска падения, определяемого при помощи теста TUG, что обусловливало диагностическую значимость показателя в качестве дополнительного критерия оценки риска падения.

Рис. 3. Зависимость ошибок аппроксимации времени TUG от величины минимального отклонения плеч по оси X и распределение количества шагов по значениям этого признака

3. Минимальное отклонение колен по оси X (рис. 4) служит индикатором боковой стабильности нижних конечностей. Данный показатель был значимо связан с увеличением риска падения, причем чем выше был риск, тем более высокая вариабельность показателя отмечалась у пациентов. В целом данный показатель является вариантом расчета базы шага, и его изменения значительно коррелировали с минимальным отклонением голеностопного сустава по оси X.

Рис. 4. Зависимость ошибок аппроксимации времени TUG от величины минимального отклонения колен по оси X и распределение количества шагов по значениям этого признака

4. Минимальный угол сгибания в тазобедренном суставе (рис. 5) связан с функциональным «резервом движения»: малые значения данного показателя сопровождаются укорочением шага ввиду недостаточного выноса ноги вперед и снижением скорости ходьбы, что ограничивает возможности быстрой реакции на препятствия. У пациентов при увеличении риска падения по шкале TUG наблюдалось уменьшение данного показателя.

Рис. 5. Зависимость ошибок аппроксимации времени TUG от величины минимального угла сгибания в тазобедренном суставе и распределение количества шагов по значениям этого признака

5. Амплитуда подъема стопы по оси Y (рис. 6) характеризует вертикальный клиренс стопы: у пациентов из нашей выборки недостаточный подъем стопы повышал риск спотыкания, тогда как чрезмерный чаще отражал энергозатратный, неэффективный способ ходьбы. Оба состояния сочетались с повышенным риском падения у пациентов.

Рис. 6. Зависимость ошибок аппроксимации времени TUG от амплитуды подъема стопы по оси Y и распределение количества шагов по значениям этого признака

6. Скорость движения стопы по кадрам (рис. 7) отражает темп и плавность шага. Низкая скорость указывает на неуверенность или слабость, а резкие колебания — на нестабильность походки. У пациентов из нашей выборки отмечалось значимое снижение скорости движения стопы с увеличением риска падения по TUG.

Рис. 7. Зависимость ошибок аппроксимации времени TUG от скорости движения стопы по кадрам и распределение количества шагов по значениям этого признака

Вместе эти показатели дают целостную картину динамического равновесия, биомеханики ходьбы и «безопасности шага», помогая точнее оценивать риск падения.

При интерпретации метрик качества модели ИИ необходимо учитывать погрешность целевой переменной. Клинически время выполнения теста TUG фиксировали вручную, что могло привести к завышению из-за реакции наблюдателя и запаздывания при старте/остановке (систематического исследования возможных ошибок не проводилось, но в некоторых случаях были замечены отклонения до 2 с). Это вносило дополнительный шум и смещение, завышало значения MAE/MSE, снижало R² и искажало сравнительную оценку моделей.

Модель второго уровня. Для формирования предсказания системой ИИ риска падения по каждому видео, в отличие от модели первого уровня, где единицей наблюдения был один шаг, создавался набор данных, основанный на агрегировании пошаговых предсказаний модели первого уровня и последующей регрессии целевой переменной.

Для каждой записи формировали вектор признаков, включающий характеристики предсказания модели первого уровня (минимум, максимум, среднее арифметическое, медиану, нижний квартиль и верхний квартиль, меры разброса и формы распределения — стандартное отклонение, коэффициент вариации, межквартильный размах, медианное абсолютное отклонение, размах, а также показатели асимметрии и эксцесса предсказания времени TUG, полученного по каждому шагу внутри видео); дисперсии по ряду заранее отобранных биомеханических характеристик (характеристики включали максимальное/минимальное отклонение стопы, колен и плеч по оси Х, скорость движения стопы, минимальный угол сгибания тазобедренного сустава и амплитуду подъема стопы); нормированную длину шага. Такой набор позволил итоговой модели учитывать не только фактические прогнозы первого уровня для каждого шага в видео, но и их стабильность/неоднородность внутри видео, что повысило устойчивость к выбросам.

Далее выполняли разбиение на обучающую и тестовую выборки, формировали матрицу признаков путем исключения неинформативных идентификаторов и вспомогательных полей. В качестве регрессионных аппроксиматоров на втором уровне сравнивали несколько алгоритмов («случайный лес», «дерево решений», одна из имплементаций «градиентного бустинга»). Качество оценивали на отложенной выборке по MAE, RMSE и коэффициенту детерминации R². Итогом стала модель второго уровня, отображающая структуру усредненных и вариативных характеристик предсказаний первого уровня и связанных с ними биомеханических параметров, что обеспечило более надежную и интерпретируемую оценку по сравнению с использованием отдельных шагов.

Результаты оценки модели второго уровня показали, что для проходов от камеры наименьшей ошибкой обладает модель «случайный лес» (табл. 6). Для проходов на камеру модель LGBM (одна из реализаций градиентного бустинга) показала минимально более низкую ошибку по сравнению со «случайным лесом» (табл. 7), однако разница между моделями была незначительной, тогда как «случайный лес», как и на предыдущем этапе (см. табл. 4 и 5), продемонстрировал более стабильные результаты и меньшую склонность к переобучению при ограниченном объеме данных. С учетом этого, а также для сохранения единой архитектуры финальной модели для обоих направлений съемки в качестве рабочей модели второго уровня был выбран «случайный лес».

Таблица 6. Метрики качества модели предсказания времени TUG второго уровня для проходов от камеры (в секундах)

Модель	MAE	MSE	RMSE	R2
Дерево решений	2,078	6,531	2,556	0,721
Случайный лес	1,835	5,297	2,302	0,774
LGBM (одна из реализаций градиентного бустинга)	2,601	12,118	3,481	0,482

Примечание. MAE — средняя абсолютная ошибка; MSE — квадратичная ошибка; RMSE — среднеквадратичная ошибка; R² — коэффициент детерминации.

Таблица 7. Метрики качества модели предсказания времени TUG второго уровня для проходов на камеру (в секундах)

Модель	MAE	MSE	RMSE	R2
Дерево решений	2,262	10,223	3,197	–0,358
Случайный лес	1,445	3,634	1,906	0,517
LGBM (одна из реализаций градиентного бустинга)	1,418	3,054	1,748	0,594

Примечание. MAE — средняя абсолютная ошибка; MSE — квадратичная ошибка; RMSE — среднеквадратичная ошибка; R² — коэффициент детерминации.

Результаты определения групп. Дополнительно была выполнена стратификация видеозаписей пациентов на группы по уровню риска падений (табл. 8) на основе времени выполнения теста TUG для наглядной проверки качества распределения по группам в соответствии с табл. 2 [35].

Таблица 8. Попадание предсказаний в фактические группы риска падения

Предсказанная искусственным интеллектом группа	Фактическая группа по TUG
	Нет риска	Низкий риск	Высокий риск	Очень высокий риск
Нет риска	90*	58**	0	0
Низкий риск	31**	202*	2**	0
Высокий риск	0	6**	18*	0
Очень высокий риск	0	0	2**	2*

Обсуждение

В качестве клинической модели скрининга риска падения анализируемой когорты пациентов нами был выбран тест TUG как наиболее простой и точный метод количественной оценки двигательных компонентов риска падения [7] при неврологических заболеваниях [37]. Данный тест уже использовался с целью обучения ИИ прогнозированию риска падения, однако анализировали запись лишь самого теста TUG [38]. При разработке модели мы сосредоточились на анализе проходки пациентов в свободном режиме по коридору, без использования дополнительных условий (т.е. в наиболее приближенных к реальной практике условиях поликлинических и стационарных учреждений). Полученная в результате настоящего исследования модель ИИ уже на данном этапе позволила с точностью 76% определять риск падения (аналогичный TUG) на основании простого прохода пациента на камеру или от нее (см. табл. 8). В ранее опубликованном исследовании C. Angsuwan с соавт. [39] уровень чувствительности модели «случайный лес» к определению риска падения по TUG на основании биомеханических данных, полученных путем акселерометрии, был более высоким в сравнении с нашими данными: показатель AUC (area under the ROC curve) составил 0,98, что свидетельствует о высокой точности предсказания риска падения. В проведенной нами работе средняя абсолютная ошибка в наилучшей модели предсказания при проходке на камеру составила 1,445 с, что, во-первых, может быть связано с ошибкой ручного ввода, т.е. быстротой нажатия кнопки секундомера исследователем (подтверждалось тем, что у отдельных пациентов скорость выполнения теста, измеренная по видео и вручную, значимо различалась). Во-вторых, мы использовали отличную от других исследователей градацию риска падений, основанную на оценке функциональных возможностей пациента и разделении не на 2, а на 5 групп риска, что соответственно дает более полную и точную оценку рисков падения, связанных с двигательной функцией, однако в свою очередь большее число градаций рисков влечет за собой необходимость в более точных измерениях и предсказательной способности.

На основании проведенной ручной разметки фаз шага нами был разработан алгоритм автоматической разметки шагов системой ИИ. Стоит отметить, что в размечаемых системой ИИ фазах по видеозаписи выделяется меньшее количество событий в рамках фазы опоры и фазы переноса в отличие от классических представлений биомеханики ходьбы [40]. Это связано с особенностью съемки видео пациента (на камеру или от камеры), что не позволяет полностью выделить все базовые события в фазах шага в сравнении со съемкой сбоку. Однако с учетом удобства пользователя съемка в предложенном нами формате является предпочтительной. Стоит отметить, что детекция основных фаз (опоры и переноса) является точной, что достаточно для основной цели настоящего исследования — разработки алгоритма предикции риска падения по видеозаписи на камеру смартфона.

Полученные в результате обработки системой ИИ данные позволили нам выделить основные биомеханические предикторы риска падения: база шага на уровне голеностопных суставов (максимальное отклонение голеностопа по оси X), боковые колебания корпуса (минимальное отклонение плеч по оси X), база шага на уровне коленных суставов (минимальное отклонение колен по оси X), вертикальный клиренс стопы (амплитуда подъема стопы), скорость шага (скорость движения стопы). Полученные нами данные согласуются с опубликованными: при применении носимых сенсоров (акселерометрические системы анализа движений) ключевыми биомеханическими факторами, позволяющими определить пациентов, склонных к падениям, также являются скорость шага, клиренс подъема стопы и вариабельность шагов [41]. Стоит отметить, что в результате ИИ-оценки биомеханической модели движений всего тела во время ходьбы нами были выделены дополнительные факторы, значимые для оценки риска падений, — боковые колебания корпуса и база шага. Это является преимуществом анализа полной видеозаписи ходьбы в сравнении с оценкой при помощи акселерометрических датчиков, позволяющих исследовать в основном только движения нижних конечностей.

Классификационные модели предикции риска падения, основанные на анализе общего статуса пациента (клинические и социально-демографические, прием лекарственных препаратов и др.), обладают точностью порядка 78% при применении на неврологической популяции пациентов [42]. В свою очередь модели, основанные на комплексном анализе общего статуса и инструментальной оценке изменений походки, повышают точность прогнозирования риска до 92% [42]. В настоящем исследовании мы сосредоточились на анализе биомеханических показателей и оценке связи риска падения с мобильностью и нарушениями ходьбы — ведущими факторами нарушений равновесия у неврологических пациентов. В дальнейшем для повышения точности прогнозирования риска падения планируется дополнительный анализ роли других факторов риска и их взаимосвязи с выявляемыми двигательными нарушениями, что может способствовать улучшению качества разрабатываемого классификатора.

Несмотря на развитие методов анализа видеозаписей ходьбы с помощью нейросети и компьютерного зрения, без применения маркерных систем и моделей глубокого обучения для оценки риска падений [43, 44], большинство существующих работ по-прежнему ориентированы либо на ограниченный набор временных характеристик, либо на анализ коротких фрагментов движения.

В настоящем исследовании приняты следующие допущения:

ошибки извлечения ключевых точек невелики и не приводят к систематическому смещению;

фильтрация и удаление редких квантилей достаточны для подавления артефактов;

частота кадров, ракурс, освещенность и дистанция до камеры сопоставимы между записями;

доменный сдвиг минимален; используются только 2D-координаты, получаемые с одной камеры, а глубина и вертикальные компоненты движения оцениваются косвенными признаками; время выполнения теста TUG рассматривается как надежный ориентир, несмотря на возможное систематическое завышение, связанное как с особенностями ручной фиксации времени, так и с межнаблюдательной вариабельностью;

шаги внутри одной записи агрегируются как условно независимые наблюдения;

разбиение выборки по индексам пациентов (а не по отдельным шагам или записям) предотвращает утечку данных между обучающей и тестовой выборками — иначе модель могла бы «запоминать» индивидуальные особенности конкретного пациента, а не выявлять общие закономерности заболевания.

Преимуществом нашего исследования является комплексный биомеханический анализ ходьбы у неврологических пациентов с использованием двух­уровневой модели ИИ, позволяющей учитывать как параметры отдельного шага, так и вариабельность движения в пределах всей видеозаписи — как по направлению к камере, так и от нее.

Ограничения исследования. При корректировке полученных данных было исключено чуть меньше половины зарегистрированных шагов. Часть исключений связана с тем, что начало и окончание проходки регистрируются со значительными погрешностями. Другая часть была связана с ошибками расстановки нейросетью антропометрических точек, а также с ошибками детекции фаз шага. Данная часть ошибок будет в фокусе при дальнейшем совершенствовании модели.

Заключение

В результате проведенного нами клинико-био­механического исследования была разработана модель ИИ, позволяющая с точностью до 76% прогнозировать риск падения у неврологических пациентов. Данная модель основана на объективном методе оценки — видеозаписи ходьбы с последующей математической и биомеханической обработкой двигательных паттернов. В дальнейшей работе нами будут рассмотрены дополнительные факторы риска падения (состоявшееся падение в анамнезе, прием антидепрессантов и других лекарственных средств) для улучшения точности прогноза, в том числе общие клинические особенности заболевания. Среди возможных улучшений математической обработки данных видеозаписи ходьбы возможно рассмотреть применение кросс-валидации с группировкой по пациентам; использование более строгих методов сглаживания и восстановления траекторий; использование нейросетевых архитектур (Temporal CNN, LSTM/GRU, Transformer), а также других методов машинного обучения, например ансамблирования, при увеличении набора данных (количества пациентов).

Финансирование. Исследование не имело спонсорской поддержки. Аналитические и экспериментальные работы выполнены с использованием оборудования Российского центра неврологии и нейронаук.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.