Funktionales und strukturelles Connectom‑basiertes Vorhersagemodell des Gleichgewichts bei älteren Erwachsenen

Warum es wichtig ist, stabil zu bleiben

Mit zunehmendem Alter kann schon das Aufrechterhalten des Gleichgewichts auf einer unebenen Fläche zur Herausforderung werden. Gleichgewichtsverlust führt zu Stürzen, Knochenbrüchen und Verlust der Selbstständigkeit. Diese Studie stellte eine auf den ersten Blick einfache Frage: Lassen sich anhand der Verschaltung und der Aktivitätsmuster des ruhenden Gehirns vorhersagen, wie gut eine ältere Person ihr Gleichgewicht auf einem instabilen Brett hält? Durch die Kombination fortschrittlicher Hirnscans mit datengetriebener Analyse beginnen die Forschenden, die verborgenen Netzwerke abzubilden, die Senioren helfen, auf den Beinen zu bleiben.

Ein Blick ins alternde Gehirn

Das Team rekrutierte 54 gesunde Erwachsene im Alter von 64 bis 82 Jahren. Jede Person erhielt detaillierte MRT‑Aufnahmen bei sehr hohem Magnetfeld, wodurch die Wissenschaftler zwei Informationsarten erfassen konnten. Erstens vermassen sie die physische Verschaltung des Gehirns: Bündel von Nervenfasern, die verschiedene Regionen verbinden, sogenannte strukturelle Verbindungen. Zweitens zeichneten sie spontane Aktivität auf, während die Teilnehmenden ruhig ruhten, was zeigt, welche Regionen tendenziell gemeinsam feuern—die funktionalen Verbindungen. Mit einem Standardatlas, der das Gehirn in 268 Bereiche unterteilt, verwandelten sie diese Scans in große Verbindungskarten, sogenannte „Connectome“, für jede Person.

Gleichgewichtstest auf wackligem Untergrund

Um das Gleichgewicht zu messen, standen die Teilnehmenden auf einem Wippbrett, das auf einer Kraftmessplatte platziert war, mit gespreizten Füßen und Händen in der Hüfte, während sie auf einen festen Punkt an der Wand blickten. Die abgerundete Basis des Brettes machte die Fläche absichtlich instabil. Aus der Kraftmessplatte berechneten die Forschenden, wie weit der Körperschwerpunkt jeder Person in 20‑sekündigen Versuchen wanderte. Das ergab eine Schwankungsfläche: Eine kleinere Fläche bedeutete stabileres Gleichgewicht, eine größere Fläche mehr Schwanken. Der niedrigste Schwankungswert aus zwei Versuchen wurde als Gleichgewichtswert jeder Person verwendet.

Computern beibringen, Gehirnnetzwerke zu lesen

Ausgestattet mit Gehirnnetzwerken und Gleichgewichtswerten verwendeten die Forschenden einen maschinellen Lernansatz namens connectom‑basiertes Vorhersagemodell. Im Kern ließen sie den Computer alle möglichen Verbindungen durchsuchen, um Muster zu finden, die mit besserem oder schlechterem Gleichgewicht zusammenhingen, und hielten dabei jeweils eine Person zurück, um die Vorhersagegenauigkeit zu testen. Sie bauten getrennte Modelle aus funktionalen und strukturellen Netzwerken und konzentrierten sich auf Verbindungen, bei denen stärkere oder schwächere Kanten zuverlässig mit der Schwankungsfläche verknüpft waren. Nur jene Kanten, die über Kreuzvalidierungsdurchläufe hinweg konsistent zur Vorhersage beitrugen, blieben in einem abschließenden „Konsens“-Netzwerk für jeden Scan‑Typ erhalten.

Die Gehirnschaltkreise hinter sicheren Schritten

Beide Arten von Gehirnkarten erwiesen sich als informativ. Bestimmte Verbindungssets in den funktionellen Ruhe‑Daten sagten voraus, wer mehr oder weniger schwanken würde, und ein paralleles—aber nicht identisches—Set struktureller Verbindungen tat dies ebenfalls. In beiden Fällen banden die wichtigsten Verbindungen Bewegungsregionen des Gehirns und tiefe Strukturen wie die Basalganglien und den Thalamus zusammen, ebenso wie Netzwerke in Frontal‑ und Parietallappen, die an Aufmerksamkeit und Kontrolle beteiligt sind. Interessanterweise waren strukturelle Verbindungen, die Bewegungs‑ und frontale Areale mit visuellen Regionen verbanden, starke Prädiktoren für das Gleichgewicht, während ihre funktionellen Gegenstücke in Ruhe nur wenig beitrugen. In einer zweiten Testsitzung drei Monate später lieferten strukturelle Netzwerke stabilere Vorhersagen als funktionelle. Wichtig ist, dass dieselben Modelle beim Versuch, die Beinkraft in einer separaten Aufgabe vorherzusagen, versagten—was darauf hindeutet, dass diese Hirnmuster spezifisch für Gleichgewicht und nicht für allgemeine körperliche Leistungsfähigkeit sind.

Was das für den Alltag bedeutet

Einfach ausgedrückt zeigt diese Arbeit, dass sich vorhersagen lässt, wie gut ältere Erwachsene auf einer bewegten Fläche aufrecht bleiben, wenn man die Architektur und die ruhige Aktivität ihrer Gehirnnetzwerke betrachtet. Die informativsten Merkmale sind keine einzelnen „Gleichgewichtszentren“, sondern koordinierte Bahnen, die Bewegungsregionen, tiefe Relaiszentren, frontale Kontrollareale und visuelle Systeme verbinden. Besonders die strukturelle Verschaltung scheint einen stabilen Fingerabdruck der Gleichgewichtsfähigkeit über die Zeit zu bieten. Zwar sind die Ergebnisse vorläufig und basieren auf einer moderaten Teilnehmerzahl, doch deuten sie auf eine Zukunft hin, in der gehirnbasierte Messgrößen helfen könnten, Senioren mit hohem Sturzrisiko zu identifizieren und Trainings‑ oder Rehabilitationsprogramme zu steuern, die die spezifischen Hirnschaltkreise stärken, die nötig sind, um sie sicher auf den Beinen zu halten.

Zitation: Liu, X., Scherrer, S., Egger, S. et al. Functional and structural connectome-based predictive modelling of balance in elderly adults. Sci Rep 16, 13954 (2026). https://doi.org/10.1038/s41598-026-43724-0

Schlüsselwörter: Gleichgewicht, Altern, Gehirnnetzwerke, MRT, Stürze