定量步态分析揭示肌萎缩侧索硬化症（ALS）中与锥体束受累相关的独特模式：一项横断面研究

《Brain and Behavior》：Quantitative Gait Analysis Reveals Distinct Patterns Associated With Pyramidal Involvement in Amyotrophic Lateral Sclerosis: A Cross-Sectional Study

　　

目的：通过在控制整体疾病严重程度的条件下，剖析与肌萎缩侧索硬化症（Amyotrophic Lateral Sclerosis, ALS）中上运动神经元（Upper Motor Neuron, UMN）功能障碍相关的特定步态异常，并开发一个多变量分类模型。 方法：研究人员对118名ALS患者和1796名健康对照（Healthy Controls, HC）进行了3D步态分析。ALS患者根据神经系统检查被分为伴有UMN功能障碍的ALS（ALS-UMN，n = 70）和无下肢UMN体征的ALS（ALS-nUMN，n = 48）。研究人员比较了步态参数，并使用偏相关分析（控制ALSFRS-R评分）以及机器学习模型（随机森林（Random Forest）和最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, Lasso）回归）分析了其与UMN受累的关联。 结果：与HC相比，ALS患者表现出广泛的步态恶化（例如，速度降低、步宽增加，p < 0.001）。在控制ALSFRS-R后，特定参数包括步幅减小、步宽增加、双支撑期延长以及步态周期时间不对称性升高，仍与UMN严重程度（PENN评分，p < 0.01）独立相关。一个包含关键特征的多变量模型在识别ALS-UMN患者方面表现出公平的判别能力，曲线下面积（Area Under the Curve, AUC）为0.690，灵敏度为0.816，特异度为0.418。 结论：定量步态分析揭示了与ALS中UMN功能障碍相关的独特时空模式。基于步态特征的模型显示出识别伴有锥体束征患者的潜力，特别是高灵敏度，支持客观步态指标在ALS运动表型分型中的探索性效用，有待外部验证。

论文解读：定量步态分析揭示肌萎缩侧索硬化症中与锥体束受累相关的独特模式

研究背景与开展缘由

肌萎缩侧索硬化症（Amyotrophic Lateral Sclerosis, ALS）是一种典型的运动神经元病（Motor Neuron Disease, MND），以进行性累及上运动神经元（Upper Motor Neuron, UMN）和下运动神经元（Lower Motor Neuron, LMN）为特征，导致异质性临床表现，包括不同程度的无力、痉挛和步态损害。目前，临床评估如ALS功能评定量表修订版（the revised ALS functional research scale, ALSFRS-R）虽能提供整体功能评分，但缺乏足够粒度来区分这些不同的神经通路底物（即UMN来源的痉挛、协调障碍与LMN来源的无力、萎缩）对步态障碍的具体贡献。既往定量步态分析研究虽确认ALS患者存在与整体疾病严重程度相关的步态参数改变，但缺乏系统地将特定步态异常与肢体UMN或LMN受累程度联系起来的研究。因此，研究人员开展了这项横断面研究，旨在利用3D视觉系统全面表征ALS患者相较于健康对照（Healthy Controls, HC）的步态异常，并探究特定定量步态参数是否与疾病严重程度及下肢UMN受累体征独立相关，以期开发用于ALS患者分层和监测疾病进展的客观技术辅助生物标志物。该论文发表在《Brain and Behavior》。

主要关键技术方法

研究人员于2024年3月至11月在北京协和医院（Peking Union Medical College Hospital, PUMCH）神经内科连续招募了118名符合修订El Escorial标准的ALS患者，并选取了1796名年龄和性别匹配的健康对照数据。根据下肢神经系统检查（改良Ashworth量表、腱反射、病理反射如Babinski征）将ALS患者分为ALS-UMN组（n=70）和ALS-nUMN组（n=48），并使用PENN UMN评分（PENN score）半定量评估UMN受累程度。步态评估使用Ready-GO系统（基于Microsoft Azure Kinect深度相机，30 Hz），通过3米步行测试、 timed up and go (TUG) 测试和五次坐站（Five times sit-to-stand, FTSTS）测试提取20个时空步态参数。统计分析采用SPSS和JASP软件，使用偏相关分析（控制ALSFRS-R总分）考察步态参数与PENN评分的关联，并采用随机森林分类器（500棵树）和Lasso正则化逻辑回归构建判别UMN受累的多变量模型，同时进行5折交叉验证。

研究结果

3.1 参与者特征与临床亚组

最终纳入118名ALS患者（70名ALS-UMN，48名ALS-nUMN）和1796名HC。ALS-UMN患者诊断时年龄小于无UMN功能障碍患者（55.16 ± 9.19 vs. 59.40 ± 11.00, p = 0.024）。两组ALS患者在入组年龄、性别比、BMI、病程、球部起病比例、ALSFRS-R评分及总MRC（Medical Research Council）评分上无显著差异。

3.2 ALS患者与HC的步态异常

与HC相比，ALS患者步态速度（p < 0.001）、步幅（stride length, p < 0.001）、步幅速度（p < 0.001）、步频（cadence, p < 0.001）、摆动速度（swing speed, p < 0.001）显著降低；步宽（step width, p < 0.001）、转身时间（turn time, p < 0.001）、支撑相百分比（p < 0.001）、双支撑相百分比（double support phase, p < 0.001）、手臂摆动位置（p < 0.05）显著增高，摆动相百分比（p < 0.001）降低。ALS患者的支撑相不对称性指数（p < 0.001）、步幅不对称性指数（p < 0.001）和步态周期时间不对称性指数（gait cycle time asymmetry index, p = 0.045）低于HC。TUG时间显著长于HC（p < 0.001），坐站摆动幅度更大（p < 0.001），双手旋前-旋后时间更长（p < 0.001）。所有病例对照比较均在1:1倾向得分匹配的118名HC子集上进行。

3.3 步态参数与整体疾病严重程度的关联

在ALS患者中，所有时空步态参数（p < 0.001）及大多数节奏与协调步态参数（p < 0.05，步幅不对称性指数除外 p = 0.079）与ALSFRS-R评分呈显著正相关。大多数姿势稳定性相关步态参数（p < 0.001，转身时间和支撑相不对称性指数除外）与ALSFRS-R评分呈负相关。总MRC评分分析显示类似结果。

3.4 与UMN功能障碍相关的步态参数：偏相关分析

在控制ALSFRS-R总分后，以下步态参数与下肢PENN评分独立相关（FDR校正 q < 0.05）：左/右步幅长度减小（r = -0.301和-0.325, p < 0.001）、左/右步高（step height）减小（r = -0.327和-0.332, p < 0.001）、步宽增加（r = 0.295, p = 0.001）、左/右支撑相百分比增加（r = 0.346和0.219, p < 0.001和p = 0.019）、双支撑相百分比增加（r = 0.283, p = 0.002）、TUG时间延长（r = 0.309, p < 0.001）、左/右摆动相百分比减小（r = -0.219和-0.346, p = 0.019和p < 0.001）以及步态周期时间不对称性指数增加（r = 0.267, p = 0.004）。步态速度和步幅速度名义显著但未通过FDR校正。控制下肢MRC子评分或总MRC评分的敏感性分析显示方向一致，但控制总MRC时部分参数（如双支撑相百分比）失去显著性，可能源于过调整。

3.5 用于识别伴有UMN体征ALS的多变量模型

随机森林分类器确定步速、步幅（左/右）、步幅速度（左）、摆动速度（左/右）、右支撑相%、五次坐站时间以及ALSFRS-R总分为最重要特征。随后的Lasso回归模型保留左步幅、右步幅和ALSFRS-R总分作为最简洁的预测因子。该多变量模型判别能力为AUC 0.690（灵敏度0.816，特异度0.418）。5折交叉验证AUC为0.657（SD 0.053）。给定UMN患病率59.3%，阳性预测值（PPV）为0.68，阴性预测值（NPV）为0.60。

讨论总结与结论翻译

讨论部分指出，本研究利用定量步态分析和多变量统计建模，系统研究了ALS步态障碍的神经底物。主要发现包括：在控制整体疾病严重程度（ALSFRS-R）后，一组反映节奏、稳定性和对称性的步态参数与下肢UMN受累程度独立相关；基于步态特征构建的多变量模型为识别伴有临床UMN体征的ALS亚组提供了具有高灵敏度的客观工具。通用步态损害（如速度降低、步宽增加）与既往研究一致，但本研究通过偏相关分析分离了UMN特异性步态特征，如增加的步宽、延长的双支撑期和升高的时序不对称性，这些可能分别对应由于UMN病变导致的协调性受损、平衡信心下降以及左-右运动节律整合受损。该模型的高灵敏度（0.816）暗示其在筛查（排除UMN体征）中的潜力，但低特异度（0.418）意味着阳性结果不足以单独诊断，可作为辅助筛查或研究队列富集工具。讨论中也提及了横断面设计、单中心选择性偏倚、AUC待提升、缺乏定量LMN负荷测量等局限，并建议未来开展纵向研究及多中心验证。

结论翻译：总之，本研究表明定量步态分析能够识别特定的运动特征（如步宽增加、双支撑期延长和时序不对称性升高），这些特征在整体无力之外与上运动神经元功能障碍独立相关。推导的多变量模型显示出中等判别能力及高灵敏度，支持客观步态指标用于患者筛查和细化表型分型的探索性效用。然而，在临床应用之前，需要进行外部验证并与神经生理标志物整合。这些发现推进了ALS步态病理生理学的表征，并鼓励进一步开发技术辅助的运动生物标志物。

（注：全文总结严格依据原文内容浓缩，未添加推测性描述，专业术语均附英文原词及上下标，去除了引用标识与图示标识。）