Video-Based Markerless Motion Capture for Clinical and Rehabilitation Biomechanics: A PRISMA-ScR Scoping Review of Validated Architectures, Clinical Readiness, and Emerging Methods

Technische Samenvatting: Videogebaseerde Markerloze Bewegingsanalyse voor Klinische en Revalidatie-biomechanica

Probleemstelling
Driedimensionale bewegingsanalyse (3D MoCap) met behulp van opto-elektronische, marker-gebaseerde systemen (MBMC) blijft de gouden standaard voor klinische ganganalyse, waarbij sub-millimeter ruimtelijke nauwkeurigheid en sub-graad gewrichtshoekprecisie worden geboden. De klinische adoptie hiervan wordt echter gehinderd door hoge kapitaalkosten, vereisten voor specifieke ruimtes en operationele overhead, zoals het plaatsen van markers en het beheer van soft-tissue artefacten. Hoewel videogebaseerde markerloze bewegingsanalyse (MMC) met RGB-camera's en deep learning belooft de biomechanische analyse te democratiseren, bestaat er een kritieke kloof tussen de snelle vooruitgang in computer vision (CV) en de gevalideerde bewijsvoering die vereist is voor klinische inzetbaarheid. Het blijft onduidelijk of huidige MMC-pipelines biomechanisch accurate data leveren die voldoet aan klinische acceptatiegrenzen, met name voor pathologische populaties en bewegingen buiten het vlak (out-of-plane kinematics). Bovendien is de relatie tussen gevalideerde biomedische studies en de geavanceerde CV-literatuur slecht in kaart gebracht, wat een vertraging veroorzaakt in de translatie van nieuwe algoritmische bouwstenen naar klinisch bruikbare instrumenten.

Methodologie
De auteurs hebben een scoping review uitgevoerd volgens de PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews) richtlijnen en het Joanna Briggs Institute (JBI) framework. De studie maakte gebruik van een dual-tier design om twee verschillende onderzoeksvragen te beantwoorden:

1. MACRO-niveau (Systematisch): Een formele screening van biomedische databases (PubMed, Scopus, IEEE Xplore) van januari 2015 tot februari 2026. Dit corpus bevatte 117 studies die een MMC-pipeline empirisch hadden gevalideerd tegen een externe biomechanische gouden standaard (bijv. Vicon, Qualisys). Studies werden uitgesloten als ze gebruikmaakten van black-box commerciële systemen, uitsluitend vertrouwden op handmatige digitalisering, dieptesensoren (RGB-D) als primaire modaliteit gebruikten, of geen externe gouden standaard hadden.
2. MICRO-niveau (Gecureerde Horizon Scan): Een doelbewust niet-uitputtende, kwalitatieve scan van de opkomende computer vision-literatuur (arXiv, CVPR, ICCV, ECCV, NeurIPS) van 2024 tot juli 2026. Dit corpus identificeerde 572 records die "technologische bouwstenen" vertegenwoordigden (bijv. foundation models, differentiable inverse kinematics) die nog niet waren overgegaan naar gevalideerde biomedische publicaties.

Data-extractie maakte gebruik van een gestructureerd sjabloon met meer dan 90 velden, ondersteund door large language models (LLMs) voor de initiële populatie en kruisverificatie door menselijke beoordeling om de nauwkeurigheid te waarborgen. De analyse richtte zich op architecturale families, validatie-uitkomsten (gewrichtshoeknauwkeurigheid, spatiotemporele parameters) en klinische gereedheid.

Belangrijkste Bijdragen en Resultaten

• Architecturale Taxonomie: De review classificeerde gevalideerde pipelines in vijf architecturale families:

  1. 2D Monoculair: Berekent gewrichtshoeken direct vanuit 2D-keypoints (40% van de studies).
  2. Multi-view Triangulatie: Reconstrueert 3D-posities via straalintersectie van gekalibreerde camera's (38%).
  3. Monoculaire Lifting: Regressie van 3D-pose vanuit 2D-detecties (16%).
  4. Body Mesh Recovery: Past parametrische meshes (bijv. SMPL) toe op video (3%).
  5. End-to-End Direct: Regressie van gewrichtshoeken direct vanuit afbeeldingen (3%).
     De meeste pipelines (73/117) rapporteerden ruwe geometrische hoeken zonder biomechanische verfijning (bijv. inverse kinematics of musculoskeletale modellering).

• Metrologische Prestaties:

  • Nauwkeurigheid: De overeenkomst van de gewrichtshoeken in het sagittaalvlak voor de onderste ledematen clusterde rond een mediane absolute fout van 5° tot 6°. Volgens de foutmargen van McGinley et al. kunnen fouten boven de 5° de klinische interpretatie misleiden. Slechts ~6% van de sagittaal-schattingen viel binnen de "acceptabele" (<2°) band, en ~37% was in de "redelijke" (2–5°) band.
  • Vlakdekking: Er is een sterke rapportagebias naar het sagittaalvlak. Kinematica buiten het vlak (frontaal en transversaal) worden zelden gevalideerd; voor de knie rapporteerden 65 studies de sagittaal-fout versus slechts 5 voor frontaal en 3 voor transversaal. Waar gerapporteerd, waren de fouten buiten het vlak groter (bijv. enkel frontale fout ~9°).
  • Kinetica: Validatie van kinetica (grondreactiekrachten, gewrichtsmomenten) werd slechts in negen studies gerapporteerd, waardoor deze cruciale klinische output grotendeels ononderzocht bleef.

• Populatie- en Omgevingsbeperkingen: De bewijslast is smal. De deelnemers waren overwegend gezonde volwassenen (81%), terwijl klinische/pathologische populaties (beroerte, Parkinson, cerebrale parese) slechts ~19% besloegen. De overgrote meerderheid van de studies (100/117) werd uitgevoerd in laboratoriumsettings; inzet in huis of in het veld is vrijwel afwezig.

• De MACRO-MICRO Kloof: De review identificeerde een aanzienlijke discrepantie tussen de gevalideerde biomedische literatuur en de opkomende computer vision state-of-the-art. Belangrijke bouwstenen die aanwezig zijn in de MICRO-corpus maar ontbreken in de gevalideerde MACRO-studies zijn:

  • Foundation-model mesh recovery (bijv. SAM 3D Body).
  • Differentiable en neurale inverse kinematics.
  • Video-gebaseerde kinetica-schatting.
  • Human-centric foundation models.

Significantie en Claims
Het artikel concludeert dat videogebaseerde markerloze bewegingsanalyse nog niet uitwisselbaar is met marker-gebaseerde systemen voor klinische gewrichtskinematica. Hoewel spatiotemporele parameters (bijv. loopsnelheid) een nauwe overeenkomst vertonen met referentiedisciplines en geschikt zijn voor screening, voldoet de nauwkeurigheid van de gewrichtshoeken — met name voor bewegingen buiten het vlak en pathologische populaties — nog niet aan de klinische standaarden.

De auteurs benadrukken dat de "klinische acceptatiekloof" een eigenschap is van het vakgebied als geheel, en niet van één specifieke architectuur. Ze stellen dat de meest inzetbare tools (single-camera monoculaire pipelines) momenteel de minst verfijnde zijn, omdat ze vaak stoppen bij ruwe 2D-hoeken.

Ontwerprichtlijnen en Toekomstige Richtingen
In plaats van één gevalideerde methode voor te stellen, biedt het artikel hypothese-genererende ontwerprichtlijnen om de volgende generatie pipelines te sturen. Deze richtlijnen pleiten voor:

1. Dense Parametric Mesh Front-Ends: De overstap van ijlere keypoints naar dense meshes om segmentoriëntatie en rotatie buiten het vlak te vangen.
2. Subject-Specifieke, Model-Gebaseerde Inverse Kinematics: Het gebruik van differentiële of klassieke model-gebaseerde solvers (bijv. OpenSim) in plaats van geleerde neurale mapping om generaliseerbaarheid naar pathologische looppatronen te garanderen.
3. Twee-Niveaus Mesh-naar-Anatomie Correspondentie: Het kalibreren van een generieke mesh-naar-landmark map met een subject-specifieke residu om atypische morfologieën op te vangen.
4. Onzekerheidskwantificatie: Het integreren van per vrijheidsgraad geschatte onzekerheid om klinische besluitvorming te informeren.
5. Het Sluiten van de Validatiekloof: Prioriteit geven aan validatie in de populaties en omgevingen waar dit het hardst nodig is (ouderen, pathologische looppatronen, real-world omgevingen) boven verdere benchmarking van gezonde volwassenen in het sagittaalvlak.

Het artikel positioneert zich als een brug tussen de snel bewegende computer vision-frontier en de rigoureuze eisen van de klinische biomechanica, en dringt aan op de visie dat toekomstige vooruitgang afhangt van gestandaardiseerde, biomechanisch gefundeerde evaluatie die gewrichtshoeken rapporteert in plaats van alleen keypoint-positiefoutwaarden.