The Gait Deviation Index (GDI) has been proposed as an index of overall gait pathology. This study proposes an interpretation of the difference measure upon which the GDI is based, which naturally leads to the definition of a similar index, the Gait Profile Score (GPS). The GPS can be calculated independently of the feature analysis upon which the GDI is based. Understanding what the underlying difference measure represents also suggests that reporting a raw score, as the GPS does, may have advantages over the logarithmic transformation and z-scaling incorporated in the GDI. It also leads to the concept of a Movement Analysis Profile (MAP) to summarise much of the information contained within kinematic data. A validation study on all children attending a paediatric gait analysis service over 3 years (407 children) provides evidence to support the use of the GPS through analysis of its frequency distribution across different Gross Motor Function Classification System (GMFCS) and Gillette Functional Assessment Questionnaire (FAQ) categories, investigation of intra-session variability, and correlation with the square root of GGI. Correlation with GDI confirms the strong relationship between the two measures. The study concludes that GDI and GPS are alternative and closely related measures. The GDI has prior art and is particularly useful in applications arising out of feature analysis such as cluster analysis or subject matching. The GPS will be easier to calculate for new models where a large reference dataset is not available and in association with applications using the MAP.

Abstract Introduction Brand's four reasons for clinical tests and his analysis of the characteristics of valid biomechanical tests for use in orthopaedics are taken as a basis for determining what methodologies are required for gait analysis in a clinical rehabilitation context. Measurement methods in clinical gait analysis The state of the art of optical systems capable of measuring the positions of retro-reflective markers placed on the skin is sufficiently advanced that they are probably no longer a significant source of error in clinical gait analysis. Determining the anthropometry of the subject and compensating for soft tissue movement in relation to the under-lying bones are now the principal problems. Techniques for using functional tests to determine joint centres and axes of rotation are starting to be used successfully. Probably the last great challenge for optical systems is in using computational techniques to compensate for soft tissue measurements. In the long term future it is possible that direct imaging of bones and joints in three dimensions (using MRI or fluoroscopy) may replace marker based systems. Methods for interpreting gait analysis data There is still not an accepted general theory of why we walk the way we do. In the absence of this, many explanations of walking address the mechanisms by which specific movements are achieved by particular muscles. A whole new methodology is developing to determine the functions of individual muscles. This needs further development and validation. A particular requirement is for subject specific models incorporating 3-dimensional imaging data of the musculo-skeletal anatomy with kinematic and kinetic data. Methods for understanding the effects of intervention Clinical gait analysis is extremely limited if it does not allow clinicians to choose between alternative possible interventions or to predict outcomes. This can be achieved either by rigorously planned clinical trials or using theoretical models. The evidence base is generally poor partly because of the limited number of prospective clinical trials that have been completed and more such studies are essential. Very recent work has started to show the potential of using models of the mechanisms by which people with pathology walk in order to simulate different potential interventions. The development of these models offers considerable promise for new clinical applications of gait analysis.

Abstract Clinical gait analysis incorporating three-dimensional motion analysis plays a key role in planning surgical treatments in people with gait disability. The position of the Hip Joint Centre (HJC) within the pelvis is thus critical to ensure accurate data interpretation. The position of the HJC is determined from regression equations based on anthropometric measurements derived from relatively small datasets. Current equations do not take sex or age into account, even though pelvis shape is known to differ between sex, and gait analysis is performed in populations with wide range of age. Three dimensional images of 157 deceased individuals (37 children, 120 skeletally matured) were collected with computed tomography. The location of the HJC within the pelvis was determined and regression equations to locate the HJC were developed using various anthropometrics predictors. We determined if accuracy improved when age and sex were introduced as variables. Statistical analysis did not support differentiating the equations according to sex. We found that age only modestly improved accuracy. We propose a range of new regression equations, derived from the largest dataset collected for this purpose to date.