La manière dont une personne se déplace dans une pièce transporte des informations. Pas seulement sur les muscles et les articulations, mais aussi sur le système cardiovasculaire, la santé métabolique, la fonction neurologique et des dizaines d’autres processus biologiques qui se produisent simultanément sous la surface. Depuis des décennies, la médecine le sait en principe. Un document de référence de 2009 rédigé par Fritz et Lusardi a formalisé la question, en proposant que la vitesse de marche soit considérée comme un sixième signe vital, aux côtés de la tension artérielle, de la fréquence cardiaque et du reste. S’en est suivie une recherche substantielle sur l’évaluation de la démarche. La plupart de ces travaux sont toutefois restés limités. Une étude systématique menée en 2020 sur plus de 2 700 analyses instrumentées de la démarche a révélé que plus de 99 % d’entre elles ne traitaient que de questions techniques ou spécifiques à une affection. Le tableau d’ensemble est resté inexploré.
Une étude publiée dans Nature Medicine en novembre 2026 modifie considérablement cette perspective.
Ce que 3 328 personnes marchant devant une caméra ont révélé
La recherche, menée par Gabet et ses collègues, a construit ce qu’ils appellent un modèle de fondation de la démarche. L’entrée était constituée de données de mouvement squelettique en trois dimensions, capturées par une caméra de profondeur pendant que les participants effectuaient cinq tâches motrices différentes. L’ensemble de données provenait de 3 328 adultes profondément caractérisés sur le plan phénotypique, ce qui signifie des individus dont la santé avait été décrite avec un niveau de détail exceptionnel à travers un large éventail de dimensions biologiques et cliniques. La cohorte a été tirée du Human Phenotype Project, un effort de recherche à grande échelle décrit dans un article de 2025 paru dans Nature Medicine par Reicher et ses collègues.
Le modèle n’a pas seulement mesuré la vitesse de marche ou la longueur de la foulée. Il a généré ce que les chercheurs appellent des embeddings, c’est-à-dire des représentations numériques compressées de la façon dont chaque personne se déplaçait, encodant des schémas à travers toute la complexité du mouvement tridimensionnel. Ces embeddings ont ensuite été testés par rapport à une vaste bibliothèque de résultats de santé.
Les résultats ont été frappants. Sur 3 210 cibles phénotypiques testées, les embeddings de la démarche en ont prédit de manière significative 1 887. Cela représente plus de la moitié de tous les résultats examinés, couvrant un territoire biologique immensément vaste.
À travers tous les systèmes corporels, et pas seulement les jambes
C’est ce que la plupart des reportages sur la recherche de la démarche manquent. Le pouvoir prédictif ne se limitait pas aux résultats musculosquelettiques ou neurologiques, ce qui aurait été l’attente intuitive. Le modèle a fourni des gains prédictifs dans l’ensemble des 18 systèmes corporels examinés chez les hommes, et dans 17 sur 18 chez les femmes. Il a également amélioré la prédiction des diagnostics cliniques et de la consommation de médicaments.
L’architecture technique sous-jacente s’appuie sur une méthode appelée encodage automatique masqué, une approche d’apprentissage auto-supervisé établie dans un article de 2022 par He et ses collègues lors de la conférence de l’IEEE/CVF sur la vision par ordinateur et la reconnaissance de motifs. La technique originale a été conçue pour des données d’images. L’équipe de recherche sur la démarche l’a adaptée pour fonctionner avec le mouvement squelettique spatiotemporel en trois dimensions, ce qui signifie que le modèle a appris à comprendre les schémas de mouvement en s’entraînant sur les données elles-mêmes, sans nécessiter d’étiquettes manuelles pour chaque résultat de santé.
Un modèle de fondation parallèle pour la démarche, appelé GaitDynamics, a été publié dans Nature Biomedical Engineering en 2026 par Tan et ses collègues, avec un accent sur l’estimation biomécanique en milieu clinique. L’étude de Gabet adopte un angle différent : au lieu de reconstituer la biomécanique, elle se demande ce que les schémas de mouvement peuvent prédire concernant la santé dans l’ensemble du corps.
Pourquoi cela compte au-delà du cabinet médical
La signification plus profonde réside dans le type de données qui transportent des informations sur la santé, et dans la quantité de ces données qui n’ont pas été lues jusqu’à présent.
Une caméra de profondeur n’est pas une IRM. Elle ne nécessite ni hôpital, ni spécialiste, ni rendez-vous de longue durée. Les données qu’elle capture, à savoir le mouvement squelettique tridimensionnel lors de tâches de mouvement ordinaires, constituent le type de signal qui pourrait, en principe, être recueilli dans un large éventail de contextes. La recherche ne formule aucune revendication quant au déploiement ou à la préparation clinique. Mais la découverte sous-jacente, selon laquelle le mouvement encode des informations de santé multisystémiques à cette échelle, soulève une question sur laquelle il est utile de s’attarder : quelle est la quantité de signaux diagnostiques déjà présente dans la manière dont les gens se déplacent au cours de leur vie quotidienne, et quelle quantité n’a tout simplement jamais été lue ?
Il y a également un point méthodologique qui mérite d’être souligné. L’approche du modèle de fondation signifie que le système n’a pas été conçu pour prédire une affection spécifique. Il a été entraîné pour représenter le mouvement de manière générale, et cette représentation générale s’est avérée prédictive pour un éventail de résultats inopinément large. C’est la même logique qui sous-tend les LLM : apprendre une représentation générale riche, et celle-ci se transfère à de nombreuses tâches spécifiques. Appliqués au corps en mouvement, les résultats suggèrent que le mouvement constitue une source d’information plus riche que ce que la médecine ne l’a historiquement considéré.
Pour les systèmes de santé, cela compte parce que cela indique une catégorie d’évaluation qui est non invasive, évolutive et potentiellement continue. Pour les individus, cela redéfinit ce à quoi un examen de santé de routine pourrait finir par ressembler. Pour les chercheurs, cela soulève la question de savoir quels autres signaux comportementaux ou physiques transportent des informations biologiques tout aussi denses, en attendant un modèle capable de les lire.
En bref
Un modèle de fondation de la démarche entraîné sur des données de mouvement squelettique 3D provenant de 3 328 adultes a prédit de manière significative 1 887 résultats de santé sur 3 210, couvrant les 18 systèmes corporels chez les hommes et 17 sur 18 chez les femmes. La découverte n’est pas que la marche prédit des problèmes orthopédiques. Elle est que la façon dont une personne se déplace encode des informations sur presque tous les systèmes du corps, et que le deep learning peut désormais commencer à les lire.
D’après un reportage de Nature Medicine.