「歩き方、良くなってますよ」——そう伝えたとき、患者に怪訝な顔をされた経験はないでしょうか。こちらの目には明らかな変化でも、本人には実感がない。逆に、本人は「良くなった」と言うが、こちらの目には代償動作の固定化に見える。動作の変化を目視と記憶だけで扱うことの限界は、経験を積むほど痛感するはずです。

かつて、動作を数値にするには数百万円の三次元動作解析装置と専用ラボが必要でした。それが今、ポケットの中のスマートフォンで動画を撮るだけで、AIが関節の位置を推定し、歩行速度や関節角度らしき数値を返してくれる時代になっています。歩行分析アプリ、姿勢チェックアプリ、ジャンプ動作の解析アプリ——選択肢はすでに市場にあふれています。

問題は、その数値をどこまで信じてよいかです。本記事では、①スマホ動作分析の土台であるマーカーレス姿勢推定が何をしているのかを平易に整理し、②臨床での4つの使い道を示し、③根拠となる実在論文6本を1本ずつレビューし、④誤差の構造から「信じてよい範囲」を線引きし、⑤撮影条件の標準化と同意・記録という導入手順まで落とし込みます。結論を先に言えば、スマホ動作分析は「絶対値の測定器」ではなく「変化の観察装置」として使うのが現時点の正解です。この一線を守れば、明日からの臨床で十分に戦力になることが、複数の研究から示唆されています。

マーカーレス動作分析の現在地——姿勢推定は何をしているのか

まず道具の中身を、臨床家に必要な解像度で押さえます。

従来の三次元動作解析（マーカーベース法）は、体表の骨指標に反射マーカーを数十個貼り、赤外線カメラ7〜10台でその位置を追跡する方法でした。精度は高いものの、装置は高価で、マーカー貼付には熟練が要り、患者は服を脱いでラボまで来る必要があります。研究の「ゴールドスタンダード」ではあっても、日々の臨床には持ち込めない道具でした。

これに対してマーカーレス動作分析は、普通のビデオ映像から、深層学習（ディープラーニング）で人体のキーポイント——肩・肘・股関節・膝・足首などの位置——を直接推定します。この技術が姿勢推定（pose estimation）です。代表的なアルゴリズムにOpenPose、AlphaPose、DeepLabCut、MoveNetなどがあり、市販のスマホアプリの多くも、この系統の技術を土台にしています。

図1 姿勢推定の仕組み——動画が数値になるまで

仕組みを一言でいえば、こうなります。AIは骨や関節を「見て」いるのではなく、大量の画像で学習した「人体らしいパターン」から、関節がありそうな画素の位置を確率的に推定している。映像の各フレームでキーポイントを推定し、それを線で結んで棒人間（スケルトン）をつくり、フレーム間の移動から速度・歩幅・関節角度らしき値を計算する——これがスマホ動作分析の中身です。

この仕組みから、性質が2つ導けます。第一に、推定の質は「学習データと映像の質」に依存すること。学習データに多い服装・体型・撮影角度では精度が出やすく、白衣・杖・装具・車椅子など学習データに少ない条件では崩れやすい。第二に、AIが推定する「関節点」は、解剖学的な関節中心と同じではないこと。後述するNeedhamらの研究が示したとおり、学習データのラベル付け自体が解剖学的定義とずれているため、股関節や膝では系統的なずれが生じます。この2点は、数値の解釈で何度も戻ってくる土台になります。

なお、スマホ1台で撮る場合はほとんどが2D分析——映像の平面内での角度・距離の計算——です。複数台のカメラで3D再構成する方式（後述のOpenCapなど）や、深度センサを使う方式もありますが、本記事の主役は「臨床家がスマホ1台で今日から始められる範囲」とし、その限界も明示していきます。

臨床での4つの使い道——「測る」より「残して比べる」

スマホ動作分析の価値を最大化する使い方は、精密測定の代用ではありません。同じ条件で撮り続けて、変化を残して比べることです。この原則のもとで、リスクが低く効果の大きい入口は4つあります。

図2 スマホ動作分析の臨床活用4場面マップ

使い道1：歩行の定点観察。外来リハや訪問リハで、毎回同じ場所・同じ距離・同じ画角で歩行を撮影し、アプリの出す歩行速度・歩数・左右差の推移を時系列で残します。ここで効いているのは1回1回の測定精度よりも、同一条件での反復です。後述するKankoらの検証で、マーカーレス計測の時空間歩行パラメータ（歩行速度・ストライド長など）は光学式と概ね良好な一致を示しており、「同じ人を同じ条件で追う」用途には現実的な水準にあると考えられます。カルテの「歩行安定性向上」という主観記述に、数値の推移という背骨が1本入ります。

使い道2：介入前後の比較。徒手療法や運動療法の前後で同じ動作——立ち上がり、しゃがみ込み、挙上動作——を撮影し、変化を見ます。ここでも主役は絶対値ではなく差分です。同じ患者・同じ動作・同じ画角・数分間隔の撮影なら、服装や照明などの誤差要因の多くが前後で共通するため、差分は絶対値よりも信頼しやすくなります。「膝の屈曲角度が正確に何度か」は保証できなくても、「介入前より明らかに深くしゃがめている」ことの記録としては機能します。

使い道3：患者へのフィードバック。撮影した動画と棒人間の重ね描き、前回との並列再生を患者に見せる使い方です。実は、これがスマホ動作分析の最も確実な効果かもしれません。数値の誤差が多少あっても、「自分の動きを外から見る」体験そのものが患者の気づきと動機づけに働きます。「左に傾いていますよ」と百回言うより、映像を1回見せるほうが伝わる場面は、臨床家なら誰でも知っているはずです。動画は説明の道具として使い、数値は補助線に留める——この配分なら、精度の限界がそのままリスクになりません。

使い道4：遠隔リハ・在宅評価。通院間隔が空く患者に自宅での動作を撮影してもらい、次回来院時や遠隔で確認する使い方です。後述するBoswellらの研究は、研究者が立ち会わずに参加者405名が自宅で撮った立ち座りテストの動画から、意味のある運動パラメータを抽出できることを示しました。「見えない期間」の動きが見えることの臨床価値は大きい一方、撮影条件が管理できないため誤差は院内より大きくなります。在宅動画は「傾向の把握」に使い、判断の根拠には対面評価を重ねるのが現実的です。

4つに共通する原則をまとめます。絶対値で判断しない。条件を揃えて変化を見る。数値は動画とセットで残す。そして最終判断は必ず臨床家の評価で行う。この4行が、本記事全体の背骨です。

エビデンスレビュー——実在論文6本を1本ずつ読む

ここからが本記事の中核です。①マーカーレス計測はゴールドスタンダードとどれだけ一致するか（精度検証2本）、②スマホ1台の2D分析はどこまで使えるか（1本）、③スマホ複数台でどこまで到達したか（1本）、④在宅・大規模での臨床応用（1本）、⑤リハ領域全体での応用の見取り図（1本）、という流れで6本を選びました。すべてPubMedで書誌情報とアブストラクトを確認できる実在の論文です（記事末尾に出典リンクあり）。

図3 エビデンス整理マップ（6論文の位置づけ）

論文1：Kanko 2021（Journal of Biomechanics）——マーカーレスは光学式とどこまで一致するか

何を調べたか。健常成人30名にトレッドミル歩行をさせ、ビデオカメラ8台による深層学習ベースのマーカーレスシステムと、赤外線カメラ7台の光学式（マーカーベース）システムで同時に記録し、歩行運動学を直接比較しました。

何が分かったか。対応する関節中心位置の平均RMSD（二乗平均平方根距離）は、股関節の3.6cmを除き全関節で2.5cm未満でした。下肢セグメント角度のRMSDは、セグメント長軸まわりの回旋を除き5.5度未満。関節角度の波形は、全関節の屈曲伸展、膝・股関節の内外転、足部のtoe-in/outで類似したパターンを示しました。著者らは、マーカーレスの実務的な利点が生きる場面では適切な代替技術になりうると結論しています。

臨床でどう使うか。「マーカーレスはどの程度使えるのか」への、最も引用しやすい基準線です。注目すべきは結果の濃淡で、屈曲伸展（矢状面の大きな動き）は良く一致し、長軸回旋は一致しない。つまり歩行の前後方向の動きの観察には根拠があり、下肢の回旋アライメントの数値をマーカーレスで論じるのは時期尚早、という線引きがこの論文から直接引けます。なお、これは複数カメラの研究用システムでの結果であり、スマホ1台のアプリの精度保証ではない点は後述の論文と併せて読む必要があります。

論文2：Needham 2021（Scientific Reports）——AIの「関節点」は解剖学的関節中心ではない

何を調べたか。OpenPose・AlphaPose・DeepLabCutという代表的な学習済み姿勢推定アルゴリズムで歩行・走行・ジャンプ動作の3D関節中心位置を推定し、光学式モーションキャプチャと比較しました。撮影には200Hzの多カメラ高速度撮影を用いています。

何が分かったか。姿勢推定による関節中心は、股関節と膝で約30〜50mmの系統的なずれを示しました。著者らはその主因を、アルゴリズムの学習データのラベル付け（正解データ）自体が解剖学的定義とずれていることに求めています。系統誤差が小さい足関節では、動作課題に応じて1〜15mmの差でした。結論として、マーカーレスは非常に有望な技術としつつ、3D関節中心位置はまだ一貫して光学式に比肩する水準にないと述べています。

臨床でどう使うか。本記事で最も重要な「限界側」のエビデンスです。30〜50mmという股関節・膝のずれは、関節角度に換算すれば無視できない誤差源になります。ただし注目すべきは、ずれが系統的（毎回同じ方向）だという点です。系統誤差は絶対値を歪めますが、同一条件での変化の比較では相殺されやすい。「絶対値は信じず、変化を見る」という本記事の原則は、この論文の知見から直接導かれる実務的な帰結です。

論文3：Washabaugh 2022（Gait & Posture）——スマホ相当の2D分析で関節角度はどこまで出るか

何を調べたか。健常者32名の歩行について、矢状面（真横から）のビデオをOpenPose・MoveNet Lightning・MoveNet Thunder・DeepLabCutの4つのオープンソース姿勢推定で解析し、股関節・膝関節の角度と時空間歩行パラメータの誤差を光学式モーションキャプチャに対して比較しました。単一視点の2D映像という、スマホ撮影に最も近い条件設定です。

何が分かったか。最も成績の良かったOpenPoseで、歩行周期全体の平均誤差は股関節3.7±1.3度、膝関節5.1±2.5度でした（股関節はMoveNet Thunderも4.6±1.8度と良好）。時空間パラメータの誤差もOpenPoseとMoveNet Thunderが最小でした。著者らは、OpenPoseが他の方式を有意に上回り、マーカーベースのシステムが使えない臨床・研究場面での代替になりうると結論しています。

臨床でどう使うか。「スマホの2D歩行分析の数値はどの程度か」という問いに、最も条件の近い答えを与える論文です。矢状面の股・膝角度で誤差おおむね4〜5度——これはゴニオメータによる徒手計測の検者間誤差と同じ桁であり、「使い物にならない」水準ではありません。同時に、5度前後の介入効果を2D分析の数値だけで論じるのは誤差に埋もれる、という上限も示しています。またこの成績は真横からの撮影で得られたものです。画角が斜めになれば、角度は投影の歪みでさらに崩れます——撮影の標準化（後述）が数値の質を直接決める根拠が、ここにあります。

論文4：Uhlrich 2023（PLOS Computational Biology）——スマホ2台で「力」まで推定するOpenCap

何を調べたか。スタンフォード大学のチームが開発したオープンソースプラットフォーム「OpenCap」の検証です。スマホ2台以上で撮った動画から、姿勢推定・深層学習・筋骨格モデル・物理シミュレーションを組み合わせて、三次元運動学に加えて筋活動・関節モーメント・関節負荷という動力学まで推定します。処理はクラウドで自動化され、専用機材や専門技能を必要としません。

何が分かったか。OpenCapは筋活動・関節負荷・関節モーメントといった動的指標を正確に予測し、疾患リスクのスクリーニング、介入効果の評価、群間比較、リハビリテーションの意思決定支援に使えることが示されました。さらに100名を対象とした実地調査では、臨床家がOpenCapを使うことで、ラボベースの手法に比べ約25倍速く、1%未満のコストで筋骨格系の動力学を推定できました。

臨床でどう使うか。この論文の位置づけは「スマホ動作分析の天井が今どこにあるか」です。かつて専用ラボでしかできなかった動力学推定が、スマホ複数台とクラウドで再現されつつある——技術の進行方向を知る上で最重要の1本です。ただし、スマホ「1台」の市販アプリがこの水準にあるわけではありません。OpenCapは校正された複数カメラ・特定の動作プロトコル・研究レベルの処理系という条件で成立しています。市販アプリの広告で「研究で検証済み」という表現を見たら、検証されたのはそのアプリ自体か、それとも背後の技術系統の別条件かを確認する視点を、この論文は与えてくれます。

論文5：Boswell 2023（npj Digital Medicine）——自宅のスマホ動画が全国規模の臨床データになる

何を調べたか。米国35州の参加者405名が、研究者の立ち会いなしに自宅でスマホで自分の5回立ち座りテスト（five-repetition sit-to-stand）を撮影し、動画から抽出した定量的運動パラメータと健康指標との関連を調べた全国規模の研究です。

何が分かったか。スマホ動画から抽出した運動パラメータは、変形性関節症の診断、身体的・精神的健康、BMI、年齢、民族・人種と関連していました。著者らは、在宅での動作分析が既存の臨床指標を超える客観的で安価なデジタルアウトカム指標を提供しうると結論しています。

臨床でどう使うか。使い道4（遠隔リハ・在宅評価)の直接の根拠です。重要なのは、撮影条件を完全には管理できない在宅の自撮り動画でも、群レベルでは臨床的に意味のある信号が取り出せたという事実です。立ち座りの速度や滑らかさといったパラメータは、通院間隔の間の状態把握やホームエクササイズの効果確認に応用できます。一方でこれは405名の集団での関連の話であり、個人の1本の動画から診断的な判断を下せることを示したものではありません。「在宅動画は傾向の把握、判断は対面で」という分担線は、この研究デザインの性質からも支持されます。

論文6：Lam 2023（Journal of NeuroEngineering and Rehabilitation）——リハ領域での臨床応用の見取り図

何を調べたか。マーカーレスモーションキャプチャ（MMC）技術をリハビリテーションの臨床計測に応用した研究の系統的レビューです。PubMed・EMBASE・CINAHL等の複数データベースから、65研究を組み入れて応用状況を整理しました。

何が分かったか。MMCの最多の用途は、症状の同定や、疾患群と健常群の動作パターンの違いの検出でした。対象疾患として最も多かったのは、明確な身体徴候を示すパーキンソン病。使用機器はMicrosoft Kinectが最多でしたが、近年はスマホカメラで撮影した動画による動作分析がトレンドになっていると指摘されています。著者らは、MMCは評価ツールとしての潜在性を持ち、症状検出やAIによる疾患の早期スクリーニングに寄与しうるとしつつ、臨床家が使いやすく正確に解析できるプラットフォームへの統合にはさらなる研究が必要と結論しています。

臨床でどう使うか。個別の精度検証を超えて「この分野全体がどこまで来ているか」を俯瞰できる1本です。読み取るべきは2点。第一に、研究の主戦場はまだ「疾患の検出・識別」であり、日々の介入効果測定ツールとしての検証は発展途上だということ。第二に、機器の主役が専用センサ（Kinect）からスマホカメラへ移りつつあるという潮流です。つまり、セラピストが今スマホ動作分析を学ぶことは、廃れゆく道具ではなく主流化しつつある道具への投資だと位置づけられます。ただし「研究が増えている」ことと「臨床判断に使える精度が保証された」ことは別であり、そのギャップを埋めるのが次節の「信じてよい範囲」の線引きです。

数値を信じてよい範囲——誤差の構造を知る

6本の論文から、誤差がいつ・どこで・なぜ大きくなるかを構造として取り出します。ここが分かると、アプリの数値への態度が「盲信」でも「全否定」でもなくなります。

図4 誤差の出やすい条件——信じてよい範囲の線引き

①関節による差。足関節など体表から位置を推定しやすい関節は誤差が小さく、股関節は軟部組織に深く覆われるため最も苦手です（Needham 2021：股・膝で30〜50mmの系統的ずれ）。アプリが出す「股関節角度」は、膝や足首の値より一段割り引いて読む必要があります。

②面（撮影方向）による差。矢状面（真横から）の屈曲伸展は最も精度が出やすく（Kanko 2021、Washabaugh 2022）、前額面（正面から）の内外転はそれより苦手で、長軸回旋はマーカーレスの現時点の弱点です（Kanko 2021：長軸回旋を除きRMSD 5.5度未満）。「真横から撮った膝の曲げ伸ばし」と「正面から撮った膝の内側への入り込み」では、同じアプリでも数値の信頼度が違う——この非対称性を知っているだけで、読み間違いの多くを防げます。

③オクルージョン（隠れ）。姿勢推定は見えない部位を「もっともらしく補完」します。杖・歩行器・平行棒・介助者の手・白衣の裾・長いスカートで身体が隠れると、キーポイントは実際とは別の位置に推定されえます。恐いのは、エラー表示が出ずに自信ありげな棒人間が描かれ続けることです。補助具使用時や介助下の動画の数値は、原則として参考値に格下げして扱います。

④2Dの投影歪み。スマホ1台の分析は、三次元の動きを平面に投影した影を測っています。身体が撮影面から回旋すれば、実際の関節角度が同じでも映像上の角度は変わります。Washabaughらの「誤差4〜5度」は真横からの撮影で得られた成績であり、画角が15度斜めになれば、その保証は消えます。

⑤対象者による差。学習データは健常成人の映像に偏っています。切断・変形・不随意運動・小児・車椅子ユーザーなど、学習データに少ない身体では推定が崩れやすくなります。Lamらのレビューが示すとおり臨床集団での検証は進行中であり、「健常歩行での精度検証」を「あらゆる患者での精度」と読み替えることはできません。

以上を1枚の判断基準に圧縮します。信じてよい：同一条件・矢状面・遮蔽なしでの、大きな関節運動の「変化・推移」。割り引いて読む：股関節の数値、前額面の数値、在宅動画の数値。信じない：長軸回旋の数値、補助具で隠れた部位の数値、条件の違う動画同士の絶対値比較、そして数値単独での診断的判断。

明日からの導入手順——撮影の標準化・同意・記録

最後に、道具を臨床に組み込む手順です。鍵は高価なアプリ選びではなく、撮影条件の標準化にあります。誤差の構造(前節)を踏まえると、条件を揃えることがそのまま数値の質を上げる行為だからです。

図5 撮影標準化チェックリスト——数値の質は撮り方で決まる

ステップ1：動作と画角を1つずつ決めて固定する。まず「矢状面からの歩行」など、精度の出やすい組み合わせを1つだけ選びます。カメラ位置は床にテープで印を付け、高さは三脚で固定（目安：股関節の高さ・撮影対象から3〜5m・進行方向に対して直角）。歩行路の起点・終点も印を付けます。「毎回同じ」を物理的に強制する仕掛けが、後々の比較可能性のすべてを支えます。

ステップ2：撮影条件チェックリストを作る。①カメラ位置・高さが所定どおりか、②身体の隠れ（杖・白衣・介助）はないか、③服装は関節の見える／毎回同等のものか、④照明は十分か（逆光を避ける）、⑤裸足か同じ靴か。この5項目を撮影のたびに確認します。1分で終わる確認が、数値の解釈可能性を左右します。

ステップ3：同意を文書で取る。動作の動画は顔・体型・歩容を含む個人情報であり、歩容はそれ自体が個人を識別しうる生体情報です。①撮影の目的（評価・経過記録）、②保存場所と期間、③閲覧範囲、④外部アプリに送信される場合はその旨、⑤同意はいつでも撤回できること——を説明し、文書で同意を得ます。特に注意すべきは④で、クラウド処理型のアプリでは動画が外部サーバに送信されます。アプリの利用規約でデータの保存先・学習利用の有無を確認し、説明できないアプリで患者の動画を扱うことは避けるべきです。

ステップ4：記録の残し方を決める。推奨は「動画＋数値＋撮影条件」の3点セットです。数値だけをカルテに転記すると、後から検証できない数字が独り歩きします。「2026-09-04 歩行速度1.02m/s（アプリ名・バージョン、矢状面3m、裸足、T字杖なし）」のように、条件込みで記録する型を決めておきます。アプリのアップデートで算出ロジックが変わることもあるため、バージョンの記録は将来の自分を守ります。

ステップ5：目視評価との突き合わせを習慣にする。導入初期は、アプリの数値と自分の観察・徒手計測を並走させ、乖離した事例を集めます。「このアプリは麻痺側の足関節で値が暴れる」といった自施設・自分の患者層での癖を掴んでから、数値の使用範囲を広げる。この手順は遠回りに見えて、道具への過信と不信の両方を防ぐ最短路です。

限界と注意点——この知見で「言えないこと」

誠実な活用のために、現時点のエビデンスの限界を明確にしておきます。

  • 「スマホ動作分析の使用で患者の転帰が改善した」を示す介入研究はまだ乏しい。本記事の6本は精度検証・応用可能性・レビューであり、この道具を使うリハビリが使わないリハビリより成績が良いことを示したランダム化比較試験は含まれていません。示されているのは「測定としての性能と応用の芽」までです。
  • 精度検証の多くは健常者・実験室条件。Kanko・Needham・Washabaughの検証はいずれも健常成人が対象です。臨床集団・臨床環境での精度は系統的に確立されておらず、Lamらのレビューもさらなる研究の必要性を結論しています。
  • 市販アプリ固有の検証は別問題。本記事の論文は特定の市販アプリの精度を保証しません。同じOpenPose系でも、アプリの実装・スマホの機種・フレームレートで性能は変わります。アプリ選定時は「そのアプリ自体の検証論文」の有無を確認してください。
  • 数値は診断ではない。姿勢推定の出力は測定値の候補であって、疾患の診断・重症度判定を単独で担えるものではありません。診断的判断は、法令上も実務上も、資格を持つ臨床家の評価と医師の診断に属します。
  • 本記事の推奨は外挿を含む。撮影標準化の具体的な数値（距離・高さなど）は、論文の実験条件と実務慣行からの実践的提案であり、それ自体が比較検証されたプロトコルではありません。
  • 技術は動いている。姿勢推定は進歩の速い分野であり、本記事の精度の数字は「2021〜2023年時点の到達水準」です。数年後にはより高精度な手法が標準になっている可能性が高く、導入時には最新の検証を確認する価値があります。

まとめ——「変化の観察装置」として持ち込む

本記事の要点を4つに圧縮します。

  1. 正体：スマホ動作分析の中身はAI姿勢推定であり、関節を見ているのではなく「人体らしいパターン」から位置を確率推定している。推定点は解剖学的関節中心と系統的にずれる（Needham 2021）。
  2. エビデンス：複数カメラのマーカーレスは屈曲伸展で光学式に近づき（Kanko 2021）、2D分析でも矢状面の股・膝角度は誤差4〜5度（Washabaugh 2022）。スマホ複数台では動力学推定まで到達し（Uhlrich 2023）、在宅動画から意味ある指標も取れる（Boswell 2023）。ただし臨床応用は発展途上（Lam 2023）。
  3. 使い方：定点観察・前後比較・患者フィードバック・遠隔リハの4場面で、「絶対値でなく変化」を見る。
  4. 守り方：矢状面・遮蔽なし・同一条件を守り、股関節・前額面は割り引き、回旋と隠れた部位は信じない。撮影標準化・文書同意・条件込み記録を仕組みにする。

図6 まとめ：スマホ動作分析の4つの要点

三次元動作解析装置が研究室の壁の内側にあった時代から見れば、ポケットの中の測定装置は革命的な変化です。しかしその価値を臨床で現金化できるのは、誤差の構造を知り、信じてよい範囲に線を引ける臨床家だけです。明日の臨床では、まず1人の患者・1つの動作・1つの画角を決めて、条件を固定した撮影を始めてみてください。4週間後、目視の印象と数値の推移を並べたとき——道具の限界と価値の両方が、自分の患者で確かめられているはずです。

よくある質問

どのアプリを選べばいいですか

本記事は特定アプリの推奨を目的としていませんが、選定の観点は示せます。①検証論文の有無（そのアプリ自体の精度が査読論文で検証されているか、背後の技術系統の検証しかないのか）、②データの扱い（動画が端末内で処理されるか外部サーバに送られるか・保存期間・学習利用の有無）、③記録のエクスポート可否（数値と動画を自施設の記録に残せるか）、④費用。業務利用では②が最優先です。なお無料で始めるなら、まず「動画を撮って前後で並べて見る」だけでも使い道3（フィードバック）の価値は得られます——数値化はその次の段階で構いません。

ゴニオメータでの計測とどちらが正確ですか

条件次第です。Washabaughらの結果（矢状面の股・膝で誤差4〜5度）は、ゴニオメータの検者間誤差と同じ桁であり、静的な角度なら熟練者の徒手計測が劣るとは言えません。姿勢推定の強みは正確さそのものより、動作中の連続データが記録として残ることにあります。歩行中の膝の角度変化を徒手で追うことはできませんが、動画なら可能です。「静的・その場の判断はゴニオメータ、動的・経過の記録はスマホ」という分担が現実的で、両者は置き換えではなく補完の関係にあります。

患者から「アプリで姿勢の歪みを指摘された」と相談されたら？

まず頭ごなしに否定しないことです。患者が自分の身体に関心を持ったこと自体は臨床の追い風です。その上で、①アプリの数値は撮影条件で大きく変わること（本記事の誤差の構造）、②静止画1枚の「歪み」判定は姿勢の自然な変動の範囲と区別できないこと、③数値と症状は別物であること、を平易に説明し、「あなたの場合はこうです」という対面評価に引き戻します。アプリの指摘が不安をあおる形になっている場合は、その不安への対応こそが臨床家の仕事です。数値の正誤より、患者の身体への関心を適切な行動につなげることを優先してください。

出典（すべてPubMedで確認済み）

  1. Kanko RM, Laende EK, Davis EM, Selbie WS, Deluzio KJ. Concurrent assessment of gait kinematics using marker-based and markerless motion capture. Journal of Biomechanics. 2021;127:110665. DOI: 10.1016/j.jbiomech.2021.110665（PubMed: 34380101）
  2. Needham L, Evans M, Cosker DP, et al. The accuracy of several pose estimation methods for 3D joint centre localisation. Scientific Reports. 2021;11(1):20673. DOI: 10.1038/s41598-021-00212-x（PubMed: 34667207）
  3. Washabaugh EP, Shanmugam TA, Ranganathan R, Krishnan C. Comparing the accuracy of open-source pose estimation methods for measuring gait kinematics. Gait & Posture. 2022;97:188-195. DOI: 10.1016/j.gaitpost.2022.08.008（PubMed: 35988434）
  4. Uhlrich SD, Falisse A, Kidziński Ł, et al. OpenCap: Human movement dynamics from smartphone videos. PLOS Computational Biology. 2023;19(10):e1011462. DOI: 10.1371/journal.pcbi.1011462（PubMed: 37856442）
  5. Boswell MA, Kidziński Ł, Hicks JL, Uhlrich SD, Falisse A, Delp SL. Smartphone videos of the sit-to-stand test predict osteoarthritis and health outcomes in a nationwide study. npj Digital Medicine. 2023;6(1):32. DOI: 10.1038/s41746-023-00775-1（PubMed: 36871119）
  6. Lam WWT, Tang YM, Fong KNK. A systematic review of the applications of markerless motion capture (MMC) technology for clinical measurement in rehabilitation. Journal of NeuroEngineering and Rehabilitation. 2023;20(1):57. DOI: 10.1186/s12984-023-01186-9（PubMed: 37131238）

※本記事は医療従事者向けの教育・情報提供を目的としたもので、特定の製品・サービスの推奨や治療効果を保証するものではありません。動作分析アプリの利用は、各施設の規程・個人情報保護のルールと、各臨床家の評価・判断のもとで行ってください。