Key points are not available for this paper at this time.
CONTEXTE : Les données de démarche normative sont essentielles pour la recherche, l'identification des anomalies et l'orientation du diagnostic. Cependant, un aperçu systématique des données de démarche normative et de leurs caractéristiques, indépendamment des systèmes de mesure et des types de paramètres, fait actuellement défaut. OBJECTIF : Cette étude vise à résumer l'état actuel des données de démarche normative pour des adultes en bonne santé, en se concentrant sur les caractéristiques de la population, les descriptions des données, les systèmes de mesure, les lacunes en matière de recherche/données, la présentation et l'accessibilité des données. MÉTHODOLOGIE : Les bases de données, y compris Medline, ScienceDirect, Cochrane Library et Embase, ont été explorées, complétées par des études référencées dans des revues antérieures. Les critères d'inclusion étaient des études sur des adultes en bonne santé (18-65 ans) avec des données de démarche normative et une taille de population d'au moins 30. Les analyses de données secondaires ont été exclues. RÉSULTATS ET DISCUSSION : 105 études, impliquant 11 764 participants, ont été incluses. Les publications en libre accès représentaient 54,2 %, avec 22 études fournissant des liens de données supplémentaires. Les données stratifiées par âge et sexe ont été rapportées dans 50,5 % et 49,5 % des études, respectivement, tandis que 64,8 % ont documenté le type de chaussures. Les systèmes multi-caméras ont été les plus fréquemment utilisés dans les publications, tandis que les IMU (Unités de Mesure Inertielle) ont capturé les données des participants les plus nombreux. Le jeu de données est disponible pour faciliter des analyses personnalisées supplémentaires des données de démarche normative. CONCLUSION : Bien que la disponibilité et l'accessibilité des données de démarche normative se soient améliorées ces dernières années, des défis substantiels demeurent en raison du manque de standardisation. Les efforts futurs devraient se concentrer sur l'amélioration des descriptions des données, l'encouragement à la reproduction indépendante et la définition de normes pour améliorer la reproductibilité et l'utilisabilité des applications d'apprentissage automatique.
Kreusch et al. (Lun,) ont étudié cette question.