The Brief
Gesundheit und Medizin 4 Min. Lesezeit

Wie du gehst, verrät mehr über dich als dein Arzt

NAVION

Teilen

Die Art und Weise, wie sich ein Mensch durch einen Raum bewegt, transportiert Informationen. Nicht nur über Muskeln und Gelenke, sondern über das Herz Kreislauf System, die metabolische Gesundheit, die neurologische Funktion und Dutzende anderer biologischer Prozesse, die gleichzeitig unter der Oberfläche ablaufen. Seit Jahrzehnten weiß die Medizin dies im Prinzip. Ein Whitepaper von Fritz und Lusardi aus dem Jahr 2009 brachte dies formell auf den Punkt und schlug vor, die Gehgeschwindigkeit als sechstes Vitalzeichen zu betrachten, neben Blutdruck, Herzfrequenz und dem Rest. Was folgte, war umfangreiche Forschung zur Ganganalyse. Der größte Teil davon blieb jedoch eng gefasst. Eine systematische Übersichtsarbeit aus dem Jahr 2020 über mehr als 2.700 instrumentierte Gangstudien ergab, dass über 99 % davon nur technische oder zustandsspezifische Fragen behandelten. Das größere Bild blieb unerforscht.

Eine im November 2026 in Nature Medicine veröffentlichte Studie verändert diesen Rahmen grundlegend.

Was 3.328 Menschen beim Gehen vor einer Kamera offenbarten

Die unter der Leitung von Gabet und Kollegen durchgeführte Forschung entwickelte ein sogenanntes Gang Foundation Model. Als Input dienten dreidimensionale Skelettbewegungsdaten, die von einer Tiefenkamera erfasst wurden, während die Teilnehmer fünf verschiedene motorische Aufgaben ausführten. Der Datensatz stammte von 3.328 intensiv phänotypisierten Erwachsenen, was bedeutet, dass deren Gesundheit in außergewöhnlich vielen Details über ein breites Spektrum biologischer und klinischer Dimensionen charakterisiert worden war. Die Kohorte stammte aus dem Human Phenotype Project, einer groß angelegten Forschungsanstrengung, die in einem Papier von Reicher und Kollegen aus dem Jahr 2025 in Nature Medicine beschrieben wurde.

Das Modell maß nicht einfach nur die Gehgeschwindigkeit oder die Schrittlänge. Es erzeugte sogenannte Embeddings, also komprimierte numerische Repräsentationen der Bewegung jedes einzelnen Menschen, die Muster über die gesamte Komplexität der dreidimensionalen Bewegung hinweg kodieren. Diese Embeddings wurden anschließend anhand einer riesigen Bibliothek von gesundheitlichen Ergebnissen getestet.

Die Ergebnisse waren bemerkenswert. Von 3.210 getesteten phänotypischen Zielen sagten die Gang Embeddings 1.887 signifikant voraus. Das ist mehr als die Hälfte aller untersuchten Ergebnisse, die ein enorm breites biologisches Terrain abdecken.

Über alle Körpersysteme hinweg, nicht nur die Beine

Genau das übersehen die meisten Berichte über die Gangforschung. Die Vorhersagekraft beschränkte sich keineswegs auf muskuloskelettale oder neurologische Ergebnisse, was die intuitive Erwartung gewesen wäre. Das Modell lieferte Vorhersagegewinne über alle 18 untersuchten Körpersysteme bei Männern hinweg und bei 17 von 18 bei Frauen. Es verbesserte zudem die Vorhersage klinischer Diagnosen und der Medikamenteneinnahme.

Die technische Architektur dahinter stützt sich auf eine Methode namens Masked Autoencoding, einen selbstüberwachten Lernansatz, der in einem Papier von He und Kollegen auf der IEEE/CVF Conference on Computer Vision and Pattern Recognition aus dem Jahr 2022 etabliert wurde. Die ursprüngliche Technik war für Bilddaten konzipiert. Das Gangforschungsteam passte sie so an, dass sie mit dreidimensionalen raumzeitlichen Skelettbewegungen funktioniert, was bedeutet, dass das Modell lernte, Bewegungsmuster zu verstehen, indem es sich an den Daten selbst trainierte, ohne manuelle Labels für jedes gesundheitliche Ergebnis zu benötigen.

Ein paralleles Foundation Model für den Gang namens GaitDynamics wurde 2026 von Tan und Kollegen in Nature Biomedical Engineering veröffentlicht, mit einem Schwerpunkt auf biomechanischen Schätzungen in klinischen Umgebungen. Die Gabet Studie verfolgt einen anderen Ansatz: Statt die Biomechanik zu rekonstruieren, stellt sie die Frage, was Bewegungsmuster über die Gesundheit des gesamten Körpers vorhersagen können.

Warum das jenseits der Klinik von Bedeutung ist

Die tiefere Bedeutung liegt hier darin, welche Art von Daten gesundheitliche Informationen transportieren und wie viel davon bisher ungelesen geblieben ist.

Eine Tiefenkamera ist kein MRT. Sie erfordert kein Krankenhaus, keinen Spezialisten und keinen langjährigen Termin. Die Daten, die sie erfasst, nämlich dreidimensionale Skelettbewegungen bei gewöhnlichen Bewegungsaufgaben, sind die Art von Signal, die im Prinzip in den unterschiedlichsten Umgebungen erhoben werden könnte. Die Forschung beansprucht keine unmittelbare Anwendbarkeit oder klinische Reife. Aber der zugrundeliegende Befund, dass Bewegung multisystemische Gesundheitsinformationen in diesem Maße kodiert, wirft eine Frage auf, über die es sich nachzudenken lohnt: Wie viel diagnostisches Signal ist bereits in der Art und Weise vorhanden, wie sich Menschen durch ihren Alltag bewegen, und wie viel davon wurde einfach noch nie gelesen?

Es gibt auch einen methodischen Punkt, den man erwähnen sollte. Der Ansatz des Foundation Models bedeutet, dass das System nicht gebaut wurde, um eine bestimmte Erkrankung vorherzusagen. Es wurde darauf trainiert, Bewegung auf allgemeine Weise zu repräsentieren, und diese allgemeine Repräsentation erwies sich als prädiktiv für eine unerwartet breite Palette von Ergebnissen. Das ist dieselbe Logik, die hinter LLMs steht: Lerne eine reichhaltige allgemeine Repräsentation, und sie lässt sich auf viele spezifische Aufgaben übertragen. Angenommen auf den Körper in Bewegung, legen die Ergebnisse nahe, dass Bewegung eine ergiebigere Informationsquelle ist, als die Medizin sie historisch behandelt hat.

Für Gesundheitssysteme ist dies wichtig, weil es auf eine Kategorie von Beurteilung verweist, die nicht invasiv, skalierbar und potenziell kontinuierlich ist. Für den Einzelnen rahmt es neu ein, wie ein routinemäßiger Gesundheitscheck irgendwann aussehen könnte. Für Forschende wirft es die Frage auf, welche anderen Verhaltenssignale oder physischen Signale ähnlich dichte biologische Informationen tragen, die nur auf ein Modell warten, das sie lesen kann.

Kurz gefasst

Ein Gang Foundation Model, das mit 3D Skelettbewegungsdaten von 3.328 Erwachsenen trainiert wurde, sagte 1.887 von 3.210 gesundheitlichen Ergebnissen signifikant voraus, die alle 18 Körpersysteme bei Männern und 17 von 18 bei Frauen abdecken. Die Erkenntnis ist nicht, dass Gehen orthopädische Probleme vorhersagt. Sie lautet, dass die Art und Weise, wie sich ein Mensch bewegt, Informationen über nahezu jedes System im Körper kodiert und Deep Learning nun beginnen kann, diese zu lesen.

Basierend auf Berichten von Nature Medicine.

Geschrieben von

NAVION