The Brief
Salute e medicina 5 min di lettura

Come cammini dice su di te più del tuo medico

NAVION

Condividi

Il modo in cui una persona si muove in una stanza racchiude informazioni. Non solo riguardo a muscoli e articolazioni, ma sul sistema cardiovascolare, sulla salute metabolica, sulla funzione neurologica e su decine di altri processi biologici che avvengono simultaneamente sotto la superficie. Per decenni, la medicina lo ha saputo in linea di principio. Un white paper del 2009 di Fritz e Lusardi ha affrontato la questione in modo formale, suggerendo che la velocità di cammino dovrebbe essere considerata un “sesto segno vitale”, insieme alla pressione sanguigna, alla frequenza cardiaca e agli altri parametri. Ciò che è seguito è stata una ricerca sostanziale sulla valutazione dell’andatura. La maggior parte di essa, tuttavia, è rimasta circoscritta. Una revisione sistematica del 2020 di oltre 2.700 studi strumentali sull’andatura ha rilevato che oltre il 99% affrontava solo questioni tecniche o specifiche di determinate condizioni. Il quadro generale è rimasto inesplorato.

Uno studio pubblicato su Nature Medicine nel novembre del 2026 cambia radicalmente questa prospettiva.

Cosa hanno rivelato 3.328 persone che camminano davanti a una telecamera

La ricerca, guidata da Gabet e colleghi, ha costruito quello che definiscono un foundation model dell’andatura. L’input consisteva in dati di movimento scheletrico tridimensionale, catturati da una telecamera di profondità mentre i partecipanti eseguivano cinque diversi compiti motori. Il dataset proveniva da 3.328 adulti fenotipizzati in modo approfondito, il che significa individui la cui salute è stata caratterizzata con dettagli eccezionali in un’ampia gamma di dimensioni biologiche e cliniche. La coorte è stata estratta dall’Human Phenotype Project, un importante sforzo di ricerca descritto in un articolo del 2025 su Nature Medicine da Reicher e colleghi.

Il modello non si è limitato a misurare la velocità del cammino o la lunghezza del passo. Ha generato quelli che i ricercatori chiamano embeddings, ovvero rappresentazioni numeriche compresse del modo in cui ciascuna persona si muoveva, codificando pattern attraverso l’intera complessità del movimento tridimensionale. Questi embeddings sono stati poi testati rispetto a una vasta libreria di esiti di salute.

I risultati sono stati sorprendenti. Su 3.328 target fenotipici testati, gli embeddings dell’andatura ne hanno previsti significativamente 1.887. Si tratta di più della metà di tutti gli esiti esaminati, che spaziano in un territorio biologico enorme.

In ogni sistema corporeo, non solo nelle gambe

Questo è ciò che la maggior parte della copertura mediatica sulla ricerca dell’andatura tralascia. Il potere predittivo non era limitato a esiti muscoloscheletrici o neurologici, che sarebbe l’aspettativa intuitiva. Il modello ha fornito vantaggi predittivi in tutti i 18 sistemi corporei esaminati negli uomini, e in 17 su 18 nelle donne. Ha inoltre migliorato la previsione delle diagnosi cliniche e dell’uso di farmaci.

L’architettura tecnica alla base di tutto ciò si basa su un metodo chiamato masked autoencoding, un approccio di apprendimento auto-supervisionato stabilito in un articolo del 2022 di He e colleghi alla conferenza IEEE/CVF sulla visione artificiale e sul riconoscimento dei pattern. La tecnica originale era stata progettata per i dati di immagini. Il team di ricerca sull’andatura l’ha adattata per lavorare con il movimento scheletrico spaziotemporale tridimensionale, il che significa che il modello ha imparato a comprendere i pattern di movimento allenandosi sui dati stessi, senza richiedere etichette manuali per ogni esito di salute.

Un foundation model parallelo per l’andatura, chiamato GaitDynamics, è stato pubblicato su Nature Biomedical Engineering nel 2026 da Tan e colleghi, con un focus sulla stima biomeccanica in contesti clinici. Lo studio di Gabet adotta un’altra prospettiva: anziché ricostruire la biomeccanica, si chiede cosa i pattern di movimento possano predire sulla salute nell’intero corpo.

Perché questo è importante oltre la clinica

Il significato più profondo riguarda quale tipo di dati contenga informazioni sulla salute, e quanta parte di essi sia rimasta finora illeggibile.

Una telecamera di profondità non è una risonanza magnetica. Non richiede un ospedale, uno specialista o un appuntamento lungo. I dati che cattura, ovvero il movimento scheletrico tridimensionale durante normali compiti di movimento, costituiscono il tipo di segnale che potrebbe, in linea di principio, essere raccolto in un’ampia gamma di contesti. La ricerca non fa affermazioni riguardo all’implementazione o alla prontezza clinica. Ma la scoperta di fondo, ovvero che il movimento codifica informazioni sulla salute multisistemica a questa scala, apre una domanda su cui riflettere: quanto segnale diagnostico è già presente nel modo in cui le persone si muovono nella loro vita quotidiana, e quanto di esso non è mai stato letto?

C’è anche un aspetto metodologico che vale la pena notare. L’approccio dei foundation model significa che il sistema non è stato costruito per prevedere una singola condizione specifica. È stato addestrato per rappresentare il movimento in modo generale, e quella rappresentazione generale si è rivelata predittiva su una gamma di esiti inaspettatamente ampia. Questa è la stessa logica che sta dietro ai LLM: imparare una ricca rappresentazione generale, che poi si trasferisce a molti compiti specifici. Applicati al corpo in movimento, i risultati suggeriscono che il movimento sia una fonte di informazioni più ricca di quanto la medicina abbia storicamente considerato.

Per i sistemi sanitari, questo è importante perché indica una categoria di valutazione che è non invasiva, scalabile e potenzialmente continua. Per i singoli individui, ridefinisce l’aspetto che un controllo medico di routine potrebbe un giorno assumere. Per i ricercatori, solleva la domanda su quali altri segnali comportamentali o fisici trasportino informazioni biologiche altrettanto dense, in attesa di un modello capace di leggerle.

In breve

Un foundation model dell’andatura addestrato su dati di movimento scheletrico tridimensionale provenienti da 3.328 adulti ha previsto in modo significativo 1.887 su 3.210 esiti di salute, spaziando in tutti i 18 sistemi corporei negli uomini e in 17 su 18 nelle donne. La scoperta non è che il cammino preveda problemi ortopedici. È che il modo in cui una persona si muove codifica informazioni su quasi ogni sistema del corpo, e il deep learning può ora iniziare a leggerle.

Basato su un articolo di Nature Medicine.

Scritto da

NAVION