Maschinelles Lernen zur Klassifikation der Frühphase der Parkinson-Krankheit anhand sit-to-walk-biomechanischer Merkmale

Warum das Aufstehen vom Stuhl wichtig ist

Für viele ältere Menschen fühlt es sich unsicher an, einfach vom Stuhl aufzustehen und die ersten Schritte zu machen. Bei Personen in sehr frühen Stadien der Parkinson-Krankheit kann diese alltägliche Bewegung jedoch still Hinweise auf Probleme mit Gleichgewicht und Bewegungssteuerung geben — lange bevor Symptome offensichtlich werden. Diese Studie untersucht, ob eine kurze „sit-to-walk“-Aufgabe, kombiniert mit Bewegungssensoren und maschinellem Lernen, Parkinson früher und objektiver erkennen kann als die alleinige klinische Beobachtung.

Ein genauerer Blick auf eine alltägliche Bewegung

Die Forschenden konzentrierten sich auf die sit-to-walk-Aufgabe, die zwei anspruchsvolle Aktionen verbindet: Aus dem Stuhl Aufstehen und in das Gehen übergehen. Dieser Übergang belastet das Gleichgewicht, weil sich das Körpergewicht rasch nach vorne und auf ein Bein verlagert. In der Studie führten 63 Personen mit frühzeitigem Parkinson und 43 gleichaltrige, gesunde Erwachsene diese Aufgabe in einem angenehmen Tempo aus. Während der Bewegung zeichneten mehrere Kameras, Boden-Kraftmessplatten und kleine Sensoren an den Beinmuskeln auf, wie sich Körper und Muskulatur vom ersten Vorbeugen bis zum Abschluss der ersten zwei Schritte verhielten.

Von Hunderten Messwerten zu wenigen Schlüsselgrößen

Jeder sit-to-walk-Durchgang wurde in Phasen unterteilt, vom ersten Rumpfvorsprung bis zum zweiten Bodenkontakt des Fußes, und mehr als 200 Messgrößen wurden extrahiert. Dazu gehörten, wie schnell sich der gesamte Körperschwerpunkt bewegte, wie weit er sich im Verhältnis zum Druck unter den Füßen verschob und wie Rumpf und Beine rotierten. Fortgeschrittene Computeralgorithmen durchforsteten diesen großen Datensatz. Mit Random-Forest- und Gradient-Boosting-Methoden reduzierte das Team die Messungen zunächst auf 26, die Personen mit frühem Parkinson am besten von gesunden Teilnehmenden unterschieden. Eine weitere statistische Analyse strich diese Liste dann auf nur drei biomechanische Marker zusammen, die zusammen den größten Teil der nützlichen Information enthielten.

Wie sich frühes Parkinson in der Bewegung zeigt

Die drei entscheidenden Marker erfassten, wie Personen ihren Körperschwerpunkt und den Rumpf beim Aufstehen und bei den ersten Schritten kontrollierten. Im Vergleich zu Gesunden bewegten Teilnehmende mit frühem Parkinson ihren Massenschwerpunkt über die gesamte Aufgabe langsamer, verschoben ihn während der ersten Schrittphase relativ zum Druck unter den Füßen nur über eine kürzere Distanz und beugten ihren oberen Rücken über einen kleineren Bewegungsumfang nach vorn. Diese Muster deuten auf eine vorsichtige, verkürzte Verlagerung des Gewichts und einen steiferen Rumpf hin — Veränderungen, die als Kompensation dienen könnten, um das Gleichgewicht zu halten, wenn die hirnseitigen Bewegungsplanungsnetzwerke bereits subtil beeinträchtigt sind. Die Studie fand zudem größere links-rechts-Unterschiede in der Aktivität der Unterschenkelmuskulatur in der Parkinson-Gruppe, was die Tendenz der Erkrankung widerspiegelt, oft einseitig zu beginnen.

Computern das Erkennen des Musters beibringen

Ausgestattet mit diesen Markern trainierte das Team mehrere Modelle des maschinellen Lernens, um zu unterscheiden, wer Parkinson hatte und wer nicht. Wurden alle 200 ursprünglichen Messwerte verwendet, klassifizierte das beste Modell, ein Random-Forest-Klassifikator, die Teilnehmenden in etwa 87 % der Fälle korrekt. Mit den 26 wichtigsten Merkmalen verbesserte sich dies leicht auf etwa 92 %. Bemerkenswerterweise blieb die Genauigkeit bei nur den finalen drei sit-to-walk-Markern mit etwa 85 % stark. Das zeigt, dass bereits eine sehr kompakte Menge an Bewegungsdaten, gewonnen aus einer einfachen Alltagsaufgabe, robuste Informationen über eine Frühphase der Erkrankung liefern kann.

Was das für die tägliche Versorgung bedeuten könnte

Die Autorinnen und Autoren schließen, dass subtile Veränderungen darin, wie Menschen aufstehen und ihre ersten Schritte machen, als empfindliche Frühwarnzeichen für Parkinson dienen können. Da die drei Schlüsselmarker kleine Verschiebungen in der Gesamtgeschwindigkeit des Körpers, der nach vorn gerichteten Gewichtsverlagerung und der Rumpfbewegung widerspiegeln, könnten sie potenziell mit einfacheren Werkzeugen wie tragbaren Sensoren oder klinischen Bewegungsplattformen gemessen werden. Wenn sich die Ergebnisse in größeren und diverseren Gruppen bestätigen, könnte dieser Ansatz Ärztinnen und Ärzten eine schnelle, nicht invasive Möglichkeit bieten, ältere Erwachsene auf frühe Parkinson-Anzeichen zu screenen und diejenigen zu identifizieren, die ein höheres Sturzrisiko haben — lange bevor offensichtlichere Symptome auftreten.

Zitation: Kim, M., Youm, C., Park, H. et al. Machine learning classification of early-stage Parkinson’s disease using sit-to-walk biomechanical features. Sci Rep 16, 10559 (2026). https://doi.org/10.1038/s41598-026-45122-y

Schlüsselwörter: Parkinson-Krankheit, Gang und Gleichgewicht, maschinelles Lernen, Biomechanik, Frühdiagnose