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

技术摘要：常规临床上肢评估中的无标记动作捕捉

问题陈述
针对中风和帕金森病等疾病的神经康复高度依赖于动作研究手臂测试（ARAT）来评估上肢功能。然而，ARAT 使用的是序数评分系统（0–3），存在三个关键局限性：

1. 主观性： 区分不同分数（例如 2 分与 3 分）依赖于临床医生的判断，导致评分者间存在变异性。
2. 敏感性有限： 该量表存在地板效应和天花板效应，一旦患者达到量表的极端值，便无法检测到运动质量或速度方面的实质性改善。
3. 缺乏特异性： 序数评分无法提供关于为何分配特定评分的具体信息（例如，限制是由于关节活动度、速度还是补偿性动作引起的），这阻碍了个性化治疗方案的制定。

虽然基于标记点的光学动作捕捉（OMC）提供了客观的运动学数据，但其技术复杂性和高昂的成本阻碍了其整合进常规临床工作流。本研究调查了基于人工智能的**无标记动作捕捉（MMC）**是否能够克服这些障碍，在标准的临床评估期间提供有效、客观且敏感的运动学指标。

方法论
本研究在常规神经康复环境（瑞士 cereneo）中评估了 MMC，涉及 20 名患者（涵盖中风、帕金森病及其他神经系统疾病）进行的 47 次疗程和 1,174 项 ARAT 任务。

• 数据采集： 使用临时搭建的三摄像头设置（Logitech Brio 4K）记录 RGB 视频。治疗师使用平板电脑实时标记试验开始/结束并分配 ARAT 分数。
• 重建： 通过可微分生物力学算法，直接从视频中利用姿态估计重建上肢运动学（关节角度、角速度、躯干位移），无需物理标记点。
• 指标推导： 提取了十项原始运动学指标（肩/肘屈曲的峰值和运动范围、末端执行器速度、躯干位移等）。这些指标根据“正常”基准（定义为 3 分任务的第 75 百分位数）进行归一化，并聚合为三个领域得分：
  • 运动范围 ($S_{ROM}$)
  • 速度 ($S_{Vel}$)
  • 补偿 ($S_{Comp}$)
  • 综合总分 ($S_{overall}$)
• 验证框架： 研究测试了四个假设：
  • H1（准确性/鲁棒性）： 重投影误差必须保持在 10–20 像素范围内，并在不同损伤程度下保持稳定。
  • H2（结构效度 - 人群）： 指标必须能强有力地区分已完成（2/3 分）和未完成（0/1 分）的任务（第一层级），但在 2 分与 3 分之间表现出较弱的区分度（第二层级），以反映序数量表的主观性。
  • H3（纵向价值）： 通过案例研究（P10 和 P20）检查指标是否追踪临床变化（H3a）、揭示患者特有的恢复特征（H3b），以及在 ARAT 分数饱和后能否检测到改善（H3c）。

关键结果

• 重建准确性（H1 得到支持）： 平均重投影误差为 12.5 ± 3.0 像素，处于可接受的临床范围（10–20 像素）内。至关重要的是，重建质量在所有 ARAT 分数组中保持稳定 ($\eta^2_H = 0.0053$)，表明该系统不会因患者功能严重受损而性能下降。
• 结构效度（H2 得到支持）：
  • 第一层级 (0/1 vs. 2/3)： 在七个分析组中的六个组别中，区分度极佳（AUC 0.91–1.00），证实指标能可靠地区分任务完成与失败。
  • 第二层级 (2 vs. 3)： 区分度较低（AUC 0.70–0.84），但始终低于第一层级。这种差异化模式验证了指标追踪的是底层的功能构念，而非具有噪声的序数量表。
• 纵向洞察（通过案例研究支持 H3）：
  • 一致性 (H3a)： 综合运动学得分 ($S_{overall}$) 在大多数分析组中与临床 ARAT 变化紧密追踪（平均绝对偏差 < 15 个百分点）。
  • 特异性 (H3b)： 虽然两名患者取得了相同的 ARAT 增益，但其运动学恢复特征在机制上截然相反。患者 P10 通过增加运动范围和减少补偿来实现进步；而患者 P20 则是在补偿加剧的情况下通过增加速度来实现进步。序数评分掩盖了这些截然不同的特征。
  • 响应性 (H3c)： 在患者 P20 中，当 ARAT 分数达到天花板（3 分）并进入平台期后，运动学指标仍显示出显著改善（特别是速度增加了 24.4 个百分点），检测到了临床量表无法察觉的恢复。

意义与主张
本文声称，当嵌入到常规临床工作流中时，基于人工智能的无标记动作捕捉可以作为序数评分的有效、客观、敏感且具有特异性的补充。

• 临床实用性： 它弥合了实验室级精度与临床可行性之间的鸿沟，提供了连续、无观察者依赖的测量，且不会干扰治疗师的工作流。
• 精准康复： 通过将恢复分解为特定领域（ROM、速度、补偿），该系统能够识别患者特有的恢复特征，解决了现有工具的“特异性”局限。
• 超越天花板： 该技术展示了即使在标准临床量表饱和后仍能监测恢复的能力，为实现真正的精准神经康复提供了一条路径，即根据测量的连续响应而非粗略的序数阶梯来调整干预措施。

作者将这项工作定位为迈向闭合神经康复测量环路的基础性步骤，旨在生成结构化、高容量的数据，为未来的数据驱动方法和替代生物标志物提供支持；同时也承认，目前的定制化指标集仍需针对特定任务细微差别（如倒水）进行进一步优化，且针对队列层面的纵向验证仍是未来的目标。