Markerless Motion Capture in Routine Clinical Upper Limb Assessments: Validity and Insights Beyond Ordinal Scoring

기술 요약: 일상적인 임상 상지 평가에서의 마커리스 동작 포착(Markerless Motion Capture)

문제 정의
뇌졸중 및 파킨슨병과 같은 질환의 신경 재활은 상지 기능을 평가하기 위해 주로 ARAT(Action Research Arm Test)에 의존합니다. 그러나 ARAT는 서열 척도(ordinal scoring system, 0–3)를 사용하며, 이는 다음과 같은 세 가지 결정적인 한계를 가집니다:

1. 주관성: 점수 간의 구분(예: 2점과 3점의 차이)이 임상의의 판단에 의존하므로, 검사자 간 변동성(inter-rater variability)이 발생합니다.
2. 제한된 민감도: 이 척도는 바닥 효과(floor effect)와 천장 효과(ceiling effect)를 보이며, 환자가 척도의 극단에 도달했을 때 움직임의 질이나 속도의 의미 있는 개선을 감지하지 못합니다.
3. 특이성 결여: 서열 점수는 특정 등급이 부여된 이유(예: 제한 사항이 관절 가동 범위 때문인지, 속도 때문인지, 혹은 보상 작용 때문인지)에 대한 통찰을 제공하지 못하며, 이는 개인 맞춤형 치료 계획 수 수립을 저해합니다.

마커 기반 광학 동작 포착(OMC)은 객적인 운동학적 데이터를 제공하지만, 기술적 복잡성과 비용 문제로 인해 일상적인 임상 워크플로에 통합하기 어렵습니다. 본 연구는 AI 기반의 **마커리스 동작 포착(MMC)**이 이러한 장벽을 극복하여, 표준 임상 평가 과정에서 유효하고 객관적이며 민감한 운동학적 지표를 제공할 수 있는지 조사합니다.

방법론
본 연구는 스위스 cereneo의 신경 재활 환경에서 20명의 환자(뇌졸중, 파킨슨병 및 기타 신경계 질환)를 대상으로 47개 세션 및 1,174개의 ARAT 과제를 통해 MMC를 평가했습니다.

• 데이터 획득: 세 대의 웹캠(Logitech Brio 4K)을 이용한 임시 설정으로 RGB 비디오를 기록했습니다. 치료사는 태블릿을 사용하여 실시간으로 시도 시작/종료를 표시하고 ARAT 점수를 할당했습니다.
• 재구성: 미분 가능한 생체 역학 알고리즘을 사용하여, 물리적 마커 없이 포즈 추정(pose estimation)으로부터 비디오에서 직접 상지 운동학(관절 각도, 각속도, 몸통 변위 등)을 재구성했습니다.
• 지표 도출: 10가지 원시 운동학 지표(어깨/팔꿈치 굴곡의 피크 값 및 가동 범위, 말단 효과기 속도, 몸통 변위 등)를 추출했습니다. 이 지표들은 "정상" 벤치마크(Score 3 세션의 75 백분위수로 정의됨)를 기준으로 정규화되었으며, 세 가지 도메인 점수로 집계되었습니다:
  • 가동 범위 ($S_{ROM}$)
  • 속도 ($S_{Vel}$)
  • 보상 작용 ($S_{Comp}$)
  • 전체 복합 점수 ($S_{overall}$)
• 검증 프레임워크: 본 연구는 네 가지 가설을 테스트했습니다:
  • H1 (정확도/강건성): 재투영 오차(reprojection error)가 10–20 픽셀 범위 내에 있어야 하며 장애 정도에 관계없이 안정적이어야 합니다.
  • H2 (구성 타당도 - 집단): 지표는 완료된 과제(Score 2/3)와 미완료된 과제(Score 0/1)를 강력하게 구분해야 하지만(Tier 1), 서열 척도의 주관성을 반영하여 Score 2와 3 사이의 구분력은 약화되어야 합니다(Tier 2).
  • H3 (종단적 가치): 사례 연구(P10 및 P20)를 통해 지표가 임상적 변화를 추적하는지(H3a), 환자별 회복 프로필을 밝혀내는지(H3b), 그리고 ARAT 점수가 포화 상태에 도달한 후에도 개선을 감지하는지(H3c)를 조사했습니다.

주요 결과

• 재구성 정확도 (H1 지지): 평균 재투영 오차는 12.5 ± 3.0 픽셀로, 수용 가능한 임상 범위(10–20 px) 내에 있었습니다. 결정적으로, 재구성 품질은 모든 ARAT 점수 그룹에서 안정적이었으며($eta^2_H = 0.0053$), 이는 시스템이 심각한 장애를 가진 환자에게서도 성능이 저하되지 않음을 나타냅니다.
• 구성 타당도 (H2 지지):
  • Tier 1 (0/1 vs. 2/3): 7개 분석 그룹 중 6개에서 우수한 변별력(AUC 0.91–1.00)을 보여, 지표가 과제 완료 여부를 신뢰성 있게 구분함을 확인했습니다.
  • Tier 2 (2 vs. 3): 변별력이 낮았으나(AUC 0.70–0.84) 일관되게 Tier 1보다 낮았습니다. 이러한 차등적 패턴은 지표가 노이즈가 섞인 서열 척도가 아닌, 기저의 기능적 구성 개념을 추적하고 있음을 입증합니다.
• 종단적 통찰 (사례 연구를 통한 H3 지지):
  • 일치성 (H3a): 전체 운동학적 점수($S_{overall}$)는 대부분의 분석 그룹에서 임상적 ARAT 변화를 밀접하게 추적했습니다(평균 절대 편차 < 15 퍼센트 포인트).
  • 특이성 (H3b): 두 환자가 동일한 ARAT 이득을 얻었음에도 불구하고, 그들의 운동학적 회복 프로필은 기계적으로 정반대였습니다. 환자 P10은 가동 범위 증가와 보상 작용 감소를 통해 개선된 반면, 환자 P20은 보상 작용이 악화됨에도 불구하고 속도 증가를 통해 개선되었습니다. 서열 점수는 이러한 뚜렷한 프로필을 은폐했습니다.
  • 반응성 (H3c): 환자 P20의 경우, ARAT 점수가 천장(Score 3)에 도달하여 정체된 후에도 운동학적 지표(특히 속도, +24.4 pp)는 유의미한 개선을 계속 보여주며 임상 척계에서는 보이지 않는 회복을 감지했습니다.

의의 및 주장
본 논문은 일상적인 임상 워크플로에 통합된 AI 기반 마커리스 동작 포착이 서열 점수를 보완하는 유효하고, 객관적이며, 민감하고, 특이적인 도구임을 주장합니다.

• 임상적 유용성: 실험실 수준의 정밀도와 임상적 실행 가능성 사이의 간극을 메우며, 치료사의 워크플로를 방해하지 않고 지속적이고 관찰자 독립적인 측정을 제공합니다.
• 정밀 재활: 회복을 구체적인 도메인(ROM, 속도, 보상 작용)으로 분해함으로써, 환자별 회복 프로필을 식별할 수 있게 하여 기존 도구의 "특이성" 한계를 해결합니다.
• 천장을 넘어서: 본 기술은 표준 임상 척도가 포화된 이후에도 회복을 모니터링할 수 있는 능력을 보여주며, 거친 서열 단계가 아닌 측정된 연속적 반응에 따라 중재를 조정하는 진정한 정밀 신경 재활로 가는 경로를 제시합니다.

저자들은 이 연구가 신경 재활의 측정 루프를 닫기 위한 기초적인 단계라고 위치시키며, 데이터 기반 방법론 및 대리 바이오마커에 필요한 구조화된 고용량 데이터를 생성하는 동시에, 현재의 수작업 기반 지표 세트가 특정 과제의 미세한 차이(예: 물 붓기)를 반영하기 위해 추가적인 정교화가 필요하며, 코호트 수준의 종단적 검증은 향후 과제로 남아 있음을 인정하고 있습니다.