Erkennung und Vorhersage von Gangstabilitätskennwerten bei Schlaganfallpatienten beim Gehen auf unebenem Untergrund mit maschinellem Lernen

Warum Stabilität im Freien nach einem Schlaganfall wichtig ist

Für viele Menschen in der Rehabilitation nach einem Schlaganfall besteht die eigentliche Bewährungsprobe des Gehens nicht in der Klinik, sondern draußen – auf rissigen Bürgersteigen, grasbewachsenen Wegen und unebenen Bordsteinen. Diese alltäglichen Oberflächen erhöhen unauffällig das Sturzrisiko. Diese Studie untersucht, wie kleine Bewegungssensoren und moderne Computeralgorithmen aufzeigen können, wer auf solchem unebenem Terrain besonders Schwierigkeiten hat und wie gut einfache, indoor durchgeführte Gehtests die Stabilität im Freien vorhersagen können.

Unebenes Gelände als versteckte Herausforderung

Mobilität im Freien ist zentral für Unabhängigkeit und soziale Teilhabe nach einem Schlaganfall, dennoch berichten viele Betroffene, dass Gehen draußen schwierig und beängstigend ist. Unebene Flächen bringen kleine, unvorhersehbare Stöße, die das Gleichgewichtssystem permanent fordern. Menschen nach einem Schlaganfall haben oft schwächere Muskulatur und langsamere Reaktionen, was diese feinen Störungen schwerer handhabbar macht. Trotzdem konzentrieren sich die meisten Routinetests weiterhin auf glatte, indoor Böden, wodurch eine Lücke zwischen dem, was in der Klinik gemessen wird, und den Herausforderungen des Alltags entsteht.

Sensoren tragen, um realitätsnahes Gehen zu erfassen

Die Forschenden untersuchten 71 Menschen nach Schlaganfall und 39 gesunde Erwachsene im ähnlichen Alter. Jede Person lief wiederholt über einen glatten 10-Meter-Gang und einen unebenen 10-Meter-Parcours, während ein kleiner Bewegungssensor am unteren Rücken getragen wurde. Dieser Sensor zeichnete auf, wie der Rumpf sich auf- und abwärts, seitwärts und vorwärts-rückwärts bewegte. Aus diesen Signalen berechnete das Team mehrere Kennwerte, die beschreiben, wie stabil oder unregelmäßig das Gangbild ist – einige beschreiben schlicht die Größe der Bewegungen, andere erfassen, wie glatt und rhythmisch die Schritte über die Zeit sind.

Den Computer die aussagekräftigsten Signale finden lassen

Anstatt jeden Kennwert einzeln zu betrachten, setzte das Team maschinelles Lernen ein, eine Form der Computeranalyse, die viele Variablen zugleich durchsuchen und die informativsten herausfiltern kann. Zunächst trainierten sie Modelle darauf, Menschen nach Schlaganfall von gesunden Erwachsenen allein anhand der Sensordaten beim Gehen auf unebenem Untergrund zu unterscheiden. Diese Modelle erreichten über 95 % Genauigkeit. Drei Signale erwiesen sich als besonders aussagekräftig: wie stark die Auf- und Abbewegung des Rumpfes war (vertikale RMS), wie unregelmäßig die Vorwärts-Rückwärts-Bewegung über die Zeit war (sample entropy) und wie glatt und rhythmisch die Schritte in Vorwärts-Rückwärts-Richtung waren (harmonic ratio). Zusammen zeichneten sie ein klares Bild vermindeter Stabilität nach Schlaganfall.

Vorhersage der Stabilität im Freien anhand von Tests drinnen

Im nächsten Schritt fragten die Forschenden, ob sich diese Schlüsselkennwerte auf unebenem Untergrund – und die Gehgeschwindigkeit selbst – allein aus Daten leicht durchführbarer Tests auf ebenem Untergrund schätzen lassen. Sie kombinierten einfache Maße wie die Gehgeschwindigkeit drinnen mit Informationen zu Gelenkwinkeln, Muskelaktivität und Sensormessungen und trainierten dann Modelle, um vorherzusagen, wie es auf dem unebenen Parcours aussehen würde. Die Gehgeschwindigkeit drinnen erwies sich als besonders wichtig. Menschen nach Schlaganfall, die auf glattem Untergrund langsamer als etwa 0,8 Meter pro Sekunde gingen, verlangsamten sich auf unebenem Boden tendenziell noch stärker und zeigten größere Auf- und Abbewegungen des Rumpfes, was auf Schwierigkeiten bei der Anpassung an die Herausforderung hindeutet. Die Regelmäßigkeit und Glätte der Rumpfbewegung auf unebenem Untergrund ließen sich ebenfalls teilweise durch die Knöchelbewegung beim Fußkontakt und durch die bereits vorhandene Glätte des Gangs auf ebenem Boden vorhersagen.

Was das für Rehabilitation und Alltag bedeutet

Für Laien ist die Aussage klar: Ein kleiner, am unteren Rücken getragener Sensor in Kombination mit Gehtests drinnen und intelligenter Computeranalyse kann zeigen, wer nach einem Schlaganfall auf holprigen Gehwegen am ehesten an Stabilität verliert. Personen, die auf ebenem Untergrund bereits deutlich langsamer gehen – besonders unter etwa 0,8 Metern pro Sekunde – bewegen sich auf unebenem Gelände häufiger unsicherer und schwankender. Indem Therapeutinnen und Therapeuten einfache, sensorbasierte Marker erfassen, etwa wie stark der Rumpf auf und ab hüpft und wie glatt die Schritte sind, könnten sie individuellere Trainingsprogramme entwickeln, den Fokus auf Rumpf- und Knöchelkontrolle legen und Fortschritte über die Zeit beobachten. Langfristig könnten solche „digitalen Biomarker“ dazu beitragen, das Gehen im Freien für viele Schlaganfallüberlebende sicherer und erreichbarer zu machen.

Zitation: Inui, Y., Takamura, Y., Nishi, Y. et al. Identifying and predicting gait stability metrics in people with stroke in uneven-surface walking using machine learning. Sci Rep 16, 5618 (2026). https://doi.org/10.1038/s41598-026-35966-9

Schlüsselwörter: Schlaganfallrehabilitation, Gangstabilität, unebenes Gehen, tragbare Sensoren, maschinelles Lernen