Interpretierbare und granulare videobasierte Quantifizierung motorischer Merkmale beim Finger-Tapping-Test bei Parkinson

Warum Fingerspitzenklopfen etwas über die Hirngesundheit verraten kann

Für viele Menschen mit Parkinson werden Alltagsbewegungen wie Hemden zuknöpfen oder Tippen auf einer Tastatur allmählich langsamer und kleiner. Ärztinnen und Ärzte beurteilen diese Veränderungen häufig mit einem einfachen Finger-Tapping-Test: Die Patientinnen und Patienten berühren schnell Daumen und Zeigefinger miteinander. Klassischerweise beobachtet ein Kliniker dies und vergibt eine einzelne Punktzahl. Diese Studie zeigt, wie gewöhnliche Videoaufnahmen und künstliche Intelligenz diesen kurzen Test in ein reiches, objektives Abbild der Bewegungsstörung verwandeln können — mit dem Potenzial, die Überwachung von Parkinson genauer und leichter zu Hause durchführbar zu machen.

Ein einfacher Test mit verborgener Komplexität

Die Finger-Tapping-Aufgabe wirkt auf den ersten Blick unkompliziert, doch Fachleute wissen, dass sie mehrere unterschiedliche Probleme vereint. Menschen mit Parkinson zeigen oft verringerte Bewegungsweite (Hypokinese), verlangsamte Bewegung (Bradykinese), einen allmählichen Leistungsabfall über einige Sekunden (bekannt als Sequenzeffekt) und unregelmäßige Pausen oder Zögern (Hesitation-Halts). Bislang wurden diese Muster meist visuell eingeschätzt und in eine einzige Schwerebewertung zusammengefasst, die zwischen Behandlern schwanken kann. Die Autoren wollten diesen Test entflechten und jede dieser vier Bewegungsauffälligkeiten separat allein aus Video ableiten.

Wie man Videoaufnahmen der Hände in Zahlen verwandelt

Die Forschenden analysierten mehr als 4.000 Finger-Tapping-Videos von 446 Menschen mit Parkinson, die an der Personalized Parkinson Project teilgenommen hatten. Mithilfe von Computer-Vision-Software lokalisierten sie automatisch Schlüsselpunkte an der Hand — etwa Daumenspitze, Zeigefingerspitze und Handgelenk — in jedem Video-Frame. Aus diesen Punkten berechneten sie den zeitlich veränderlichen Abstand zwischen Daumen und Zeigefinger während des Tippens. Durch zusätzliches Tracking der Handflächenlänge skalierten sie diese Distanz, sodass die Messwerte vergleichbar blieben, selbst wenn Kamerawinkel oder Abstand zwischen Aufnahmen variierten. Das resultierende wellenförmige Signal des Öffnens und Schließens der Finger bildete die Grundlage für alle weiteren Berechnungen.

Messung von vier Arten von Bewegungsstörungen

Aus jedem Signal erzeugte das Team ein kompaktes Set von 12 Merkmalen, die auf die vier klinisch definierten Bewegungsprobleme ausgerichtet waren. Die durchschnittliche Tipp-Höhe erfasste, wie weit die Finger geöffnet wurden und spiegelte so die Hypokinese wider. Die Zeit zwischen den Signalspitzen erfasste, wie lange jeder Tippzyklus dauerte und bildete damit Bradykinese ab. Zwei Geschwindigkeitsmaße kombinierten Informationen über Größe und Timing der Taps. Weitere Merkmale verfolgten, ob die Taps während des kurzen Tests schrumpften oder langsamer wurden (Sequenzeffekt) und wie stark Größe, Timing und Geschwindigkeit von Zyklus zu Zyklus schwankten, einschließlich ungewöhnlich langer Pausen, die als Unterbrechungen (Hesitation-Halts) gewertet wurden. Statistische Tests zeigten, dass die meisten dieser videobasierten Messgrößen mit dem standardmäßigen klinischen Score schlechter wurden, insbesondere was Bewegungsweite, Verlangsamung und unregelmäßige Pausen betrifft.

Feinere Muster in Parkinson-Bewegungen aufdecken

Um zu sehen, wie sich diese Messungen natürlich gruppieren, nutzten die Autoren eine statistische Clustertechnik für verwandte Merkmale. Die erwarteten vier Bewegungsdomänen traten auf, doch die Daten deuteten auf noch feinere Strukturen hin. Insbesondere schienen sich der Sequenzeffekt und die Hesitation-Halts jeweils in zwei Subtypen aufzuteilen: einer, der von Veränderungen in Bewegungsgröße und -geschwindigkeit getrieben wird, und ein anderer, der von Veränderungen im Timing und vom Auftreten von Unterbrechungen geprägt ist. Das legt nahe, dass das, was am Krankenbett wie ein einzelnes Problem erscheint, tatsächlich aus mehreren unterschiedlichen Mustern bestehen kann, die eines Tages mit verschiedenen Hirnveränderungen oder Behandlungsantworten verknüpft werden könnten.

Von objektiven Merkmalen zu praktischen Scores

Da heute der Goldstandard weiterhin die Unified Parkinson’s Disease Rating Scale (MDS-UPDRS) der Movement Disorder Society ist, fragten die Forschenden auch, ob ihre Merkmale die üblichen Finger-Tapping-Schweregrade vorhersagen können. Sie trainierten mehrere Arten von Machine-Learning-Modellen auf den Videomerkmalen. Das beste Modell, ein gradientenverstärktes Entscheidungsbaum-System, ordnete Aufnahmen häufiger korrekt den Kategorien mild, moderat oder schwer zu als frühere videobasierte Methoden. Wichtig ist, dass derselbe Ansatz auch in einem separaten Datensatz mit einer anderen Kamerakonfiguration gut funktionierte, was darauf hindeutet, dass er über ein einzelnes Labor oder eine Klinik hinaus generalisierbar ist.

Was das für Patientinnen, Patienten und Versorgung bedeutet

Alltagsverständlich zeigt diese Arbeit, dass ein kurzes Video von jemandem, der seine Finger tippt, in einen detaillierten, objektiven Fingerabdruck darüber verwandelt werden kann, wie Parkinson die Bewegungen beeinträchtigt. Statt einer einzigen subjektiven Punktzahl können Ärztinnen, Ärzte und Forschende separate Zahlen dafür sehen, wie klein, wie langsam, wie ermüdbar und wie unregelmäßig die Bewegungen sind. Weil die Methode nur auf einer Kamera und interpretierbaren Messgrößen beruht, könnte sie in großen klinischen Studien und schließlich für Fernkontrollen zu Hause eingesetzt werden. Zukünftige Studien müssen zeigen, wie sich diese videobasierten Marker mit Medikamenten oder über Jahre der Erkrankung verändern, doch dieses Rahmenwerk ist ein wichtiger Schritt hin zu präziserer und komfortablerer Überwachung der Parkinson-Symptomatik.

Zitation: Zarrat Ehsan, T., Tangermann, M., Güçlütürk, Y. et al. Interpretable and granular video-based quantification of motor characteristics from the finger-tapping test in Parkinson’s disease. npj Parkinsons Dis. 12, 101 (2026). https://doi.org/10.1038/s41531-026-01307-w

Schlüsselwörter: Morbus Parkinson, Finger-Tapping-Test, Computer Vision, ferngesteuerte motorische Bewertung, digitale Biomarker