Может ли трекер на запястье измерять скорость ходьбы? ElderNet приближается к цели

Ваши умные часы со временем могут измерять не только количество шагов и частоту сердечных сокращений. В валидационном исследовании 2026 года сообщается, что модель самоконтролируемого обучения ElderNet способна оценивать скорость ходьбы, каденс и длину шага по данным акселерометра на запястье — без беговой дорожки, визита в лабораторию или датчика, закреплённого на пояснице.

Это значимый технический результат, потому что запястье долго оставалось одним из наименее удачных мест для оценки походки. Руки раскачиваются, жестикулируют, несут продукты и в целом ведут себя как руки. Тем не менее новая модель показала среднюю абсолютную ошибку 8,82 см/с (0,088 м/с) при оценке скорости ходьбы и коэффициент внутриклассовой корреляции 0,87 по сравнению с референсными измерениями у 85 человек с нарушением походки. Она также превзошла модели сравнения, использовавшие датчики на запястье и пояснице. Важна одна оговорка: 0,088 м/с близко к изменению на 0,10 м/с, которое часто считают клинически значимым для отдельного пациента.

Таким образом, ElderNet выглядит полезной для исследований и скрининга на популяционном уровне. Однако пока нет оснований для того, чтобы приложение сообщало конкретному человеку о значимом ухудшении подвижности после небольшого изменения от недели к неделе.

Почему оценивать походку по данным с запястья было сложно

Датчики походки лучше всего работают вблизи центра масс тела, поэтому устройства на бедре и пояснице традиционно имели преимущество. Устройство на запястье должно отделять движения, связанные с ходьбой, от размахивания руками и всех прочих движений верхних конечностей, происходящих в повседневной жизни. Сравнительные исследования с электронными дорожками для ходьбы документировали сохраняющийся разрыв в точности между носимыми системами и референсными показателями походки.

Ранние алгоритмы для запястья часто опирались на вручную созданные правила обработки сигналов. Такие правила могут работать в упорядоченных условиях, но давать сбои, когда в дело вмешивается реальная жизнь. ElderNet использует другой подход. В исследовании Brand и соавторов 2026 года исследователи сначала предварительно обучили модель глубокого обучения на неразмеченных данных акселерометра на запястье, собранных в условиях обычной жизни у 819 пожилых участников Rush Memory and Aging Project. Самоконтролируемое обучение позволяет модели выявлять закономерности в необработанных данных, не требуя дорогостоящих меток, полученных с помощью захвата движений, для каждого обучающего примера.

Затем модель прошла внешнюю проверку оценки походки в когорте Mobilise-D: 85 человек с нарушением походки были набраны в шести европейских центрах. По сравнению с референсными измерениями исследования средняя ошибка ElderNet при оценке скорости ходьбы составила 8,82 см/с, а её ICC — 0,87. По скорости ходьбы она значимо превзошла модели сравнения для датчиков на пояснице (p<0,001), опровергнув обычное предположение, что датчик на туловище обязательно должен превосходить устройство на запястье. По каденсу и длине шага она также значимо превзошла конкурирующие подходы на основе данных с запястья (p<0,01).

Улучшенный алгоритм для запястья не превращает запястье в клиническую лабораторию походки

Главный результат требует точной интерпретации. Сообщённый ICC получен в стандартизированных сессиях оценки Mobilise-D, а не при неограниченном непрерывном мониторинге в течение месяцев обычной жизни. Поэтому исследование показывает, что модель способна хорошо оценивать походку в рамках своего протокола валидации; оно не устанавливает идентичную эффективность, когда люди нерегулярно носят устройства, перемещаются в разнообразных условиях или используют другое оборудование.

Средняя ошибка также не преодолевает порог, необходимый для любого клинического применения. Изменение скорости ходьбы на 0,10 м/с широко используют как минимальную клинически значимую разницу. Средняя абсолютная ошибка ElderNet в 0,088 м/с составляет 88% этого порога. Средняя ошибка не гарантирует, что каждая оценка будет отклоняться именно на такую величину, но задаёт практическую границу: измеренное изменение около 0,10 м/с может отражать реальное изменение, ошибку измерения или и то и другое.

Поэтому пока эта модель плохо подходит для определения того, ответил ли отдельный пациент на реабилитацию или начал ли у него развиваться ранний спад. Она может быть гораздо полезнее при усреднении по группам, для обогащения когорты клинического исследования или как скрининговый сигнал, после которого проводится надлежащая оценка.

Что результат по инвалидизации может — и не может — нам сказать

В когорте Rush MAP из 819 человек ElderNet классифицировала инвалидизацию, связанную с подвижностью, с площадью под ROC-кривой 0,80. Авторы сообщают, что в этой когорте данный показатель превосходил стандартные сводные метрики скорости ходьбы и физической активности. AUC 0,80 означает, что модель обладала полезной способностью различать группы, а не то, что она диагностировала инвалидизацию с точностью 80% или заменяла врача.

Этот результат также не включает прямого сравнения с устоявшимися клиническими эталонами, такими как тест Timed Up and Go или тест ходьбы на 4 метра. Без таких прямых сравнительных данных AUC не может показать, улучшает ли ElderNet стандартную медицинскую помощь. Независимая репликация также отсутствует, а Rush MAP преимущественно состоял из пожилых белых взрослых из одного городского района США. Модель, предварительно обученная на этой популяции, может работать иначе в разных расовых группах, при разных типах телосложения, социально-экономических условиях, заболеваниях и моделях устройств.

Почему походку стоит измерять вне клиники

Привлекательность пассивного измерения походки основана на разумной предпосылке: короткая прогулка в клинике отражает лишь несколько минут движения человека. Ходьба в повседневной жизни может показать нечто иное. В проспективном исследовании Urbanek и соавторы (2023) обнаружили, что каденс при обычной жизни, измеренный акселерометром на запястье, лучше структурированных клинических оценок подвижности различал риск падений у пожилых людей. Этот вывод относится именно к каденсу и различению риска падений; он не доказывает, что любой показатель походки, полученный с запястья, превосходит клиническое тестирование для любого исхода.

Другие исследования делают связь со здоровьем правдоподобной, но не валидируют саму ElderNet. Крупное наблюдательное исследование Watch Walk–UK Biobank выявило, что особенности ходьбы в реальных условиях, зарегистрированные акселерометром на запястье, были связаны с региональной атрофией мозга и выраженностью очагов поражения белого вещества у людей среднего и старшего возраста. Исследование было поперечным, поэтому оно не может установить, способствуют ли изменения ходьбы изменениям в мозге, являются ли их следствием или отражают другую причину.

Походка и функциональная подвижность также имеют долгосрочное прогностическое значение. В когорте из Сан-Паулу, за которой наблюдали 10 лет, Nascimento и соавторы (2022) обнаружили, что функциональная подвижность, оценённая в клинике, предсказывала смертность от всех причин и от конкретных причин у пожилых людей. Это подтверждает, что походка является значимым показателем состояния здоровья, но не показывает, что показатель ElderNet предсказывает смертность. Другое устройство, другие условия измерения, другой вопрос.

Показатели походки, полученные с запястья, могут также отражать различия, выходящие за рамки старческой астении. Поперечное исследование хронической боли в пояснице 2026 года связало это состояние с дистанционно собранными параметрами качества и количества ходьбы по данным акселерометра на запястье. Ключевое слово здесь — «связь»: результат не может показать, изменила ли боль походку, способствовала ли походка боли или на оба явления повлиял другой фактор.

Недостаёт исследования, которое проследит за людьми во времени

ElderNet пока не проверяли как проспективный предиктор падений, деменции, госпитализации или смерти. Обоснование таких применений сейчас объединяет отдельные массивы доказательств: ElderNet оценивает походку в валидационном исследовании; другие показатели походки связаны с клиническими исходами. Эта логическая цепочка разумна, но всё ещё остаётся цепочкой выводов.

Несколько ограничений дизайна усиливают эту осторожность. Валидационная выборка Mobilise-D из 85 человек была слишком мала, чтобы надёжно оценить эффективность в зависимости от тяжести заболевания, состава тела или типа устройства. Дизайн с шестью площадками расширяет географический охват, но не решает проблему точности, создаваемую малым размером выборки. Когорта Rush MAP, использованная для обучения и классификации инвалидизации, не может установить эффективность в популяциях, которые в ней почти не были представлены.

Исследования носимых инерциальных датчиков в реальных условиях также показывают, что прогнозирование остаётся сложным даже при иных расположениях датчиков и моделях, специфичных для заболеваний. Например, Ullrich и соавторы (2023) изучали прогнозирование риска падений по данным о походке с инерциальных датчиков в реальных условиях при болезни Паркинсона. Эта работа подтверждает более широкую идею о том, что повседневная походка содержит клинически значимую информацию; она не валидирует модель для запястья в общей популяции пожилых людей.

Что это означает для тех, кто носит умные часы

Ни одни потребительские умные часы в настоящее время не предлагают ElderNet в качестве валидированной клинической функции. Исследование описывает исследовательский метод, а не одобренный регуляторами продукт или протестированный клинический рабочий процесс. Оно не предоставляет доказательств того, что современные потребительские показатели походки могут диагностировать инвалидизацию, предсказывать деменцию или направлять лечение.

Достоверный вывод уже и интереснее: акселерометр на запястье теперь способен давать оценки походки, которые сопоставимы с моделями датчиков на пояснице и в этом исследовании превзошли их у пожилых людей с нарушением походки. Самоконтролируемое обучение может облегчить масштабирование такого подхода, поскольку уменьшает зависимость от дорогостоящих размеченных записей походки.

Вердикт: ElderNet — реальное продвижение в измерении походки на основе данных с запястья, а к результату её технической валидации можно относиться с высокой уверенностью. В ближайшей перспективе её лучше всего применять в исследованиях, мониторинге испытаний и стратификации риска на популяционном уровне. Для индивидуальных клинических решений нужны более высокая точность, более широкая валидация, прямые сравнения со стандартными оценками и проспективные исследования исходов.