KI-gestütztes, kostengünstiges Rehabilitations-Exergame als leichtgewichtiges Rahmenwerk für Schlaganfall-Bewertung

Spielend zum Alltag mit Rehabilitation

Ein Schlaganfall raubt oft die einfachen, automatischen Bewegungen, auf die wir uns beim Essen, Anziehen oder Umarmen verlassen. Diese Fähigkeiten zurückzugewinnen bedeutet meist Jahre mit repetitiver Therapie und regelmäßigen Kontrollterminen bei Fachleuten — Zeit und Geld, die viele Menschen nicht aufbringen können. Diese Studie untersucht einen anderen Weg: ein einfaches Videospiel, mit dem Schlaganfallüberlebende ihre Arme zu Hause üben können, während eine gewöhnliche Kamera unauffällig misst, wie gut sie sich bewegen, und die gleichen klinischen Werte abschätzt, die Therapeuten in der Klinik verwenden.

Ein Spiel, das zugleich eine Kontrolle ist

Die Forschenden entwickelten ein „Exergame“ — ein Videospiel, das bewusst Bewegung fördert — in dem SpielerInnen einen Vogel über eine bunte Landschaft steuern, um Früchte zu sammeln. Gesteuert wird nur mit Arm und Hand; eine Standardkamera verfolgt diese Bewegungen und lenkt den Vogel in Echtzeit. Im Hintergrund nutzt die KI-Software aus Googles MediaPipe-Toolkit die Position von Handgelenk, Ellbogen, Schulter und Fingern Bild für Bild, ganz ohne spezielle Sensoren oder Wearables. Dieselbe Spielsitzung, die unterhält und motiviert, wird so zugleich zu einer detaillierten Aufzeichnung, wie weit der Arm reicht, wie flüssig er sich bewegt und wie weit die Hand sich öffnen kann.

Einfache Bewegungsanzeichen, die Fähigkeiten offenbaren

Zwölf Erwachsene mit langfristigen Folgen eines Schlaganfalls spielten das Spiel mit beiden Armen, wodurch das Team 24 Arm-Datensätze erhielt. Jeder Arm wurde außerdem mit der Fugl–Meyer-Assessment untersucht, einer weit verbreiteten, aber zeitintensiven klinischen Skala für die Funktion der oberen Extremität. Aus den Spielaufnahmen extrahierten die Forschenden sechzehn leicht zugängliche Messgrößen, etwa die vom Handgelenk auf dem Bildschirm abgedeckte Fläche, die gesamte zurückgelegte Wegstrecke der Hand, wie weit sich die Finger öffnen ließen und wie gut Schulter und Ellbogen zusammenarbeiteten. Bei einer Einteilung der Arme in schwer, mittel, leicht und nahezu normal, stimmten mehrere dieser spielbasierten Messwerte gut mit den klinischen Kategorien überein: Personen mit besserer Armnutzung erkundeten größere Flächen, koordinierten die Gelenke flüssiger und konnten die Hand weiter öffnen.

Von Bewegungen zu einer aussagekräftigen Punktzahl

Als Nächstes prüfte das Team, ob diese Bewegungsanzeichen für eine formale Prüfpunktzahl eintreten könnten. Mithilfe linearer Regression — einer transparenten Art statistischer Gleichung — kombinierten sie eine kleine Auswahl von Merkmalen, darunter Handöffnung, der auf dem Bildschirm erkundete Raum, die Gesamtlänge des Pfads und die Gelenkkoordination. Die resultierende Formel sagte die klinische Punktzahl jedes Arms mit hoher Genauigkeit voraus und stimmte eng mit den Bewertungen der TherapeutInnen überein (eine Rangkorrelation von 0,92 und ein Fehler von etwa 4 Punkten auf einer Skala von 66 Punkten). Übersetzten die Forschenden die vorhergesagten Werte in die vertrauten Kategorien leicht, mittel und schwer, klassifizierte das System die Arme in 86–93 % der Fälle korrekt, und Fehler traten nur zwischen benachbarten Kategorien auf, nicht zwischen den Extremen.

Warum leichtgewichtige KI vorteilhaft sein kann

Um zu testen, ob aufwendigere Technik helfen würde, probierten die AutorInnen auch komplexere Machine-Learning-Modelle, darunter Random Forests und tiefe neuronale Netze, die direkt aus Rohbewegungsdaten lernen. Trotz ihrer Raffinesse übertrafen diese Ansätze nicht die einfache Regressionsformel und waren schwerer zu interpretieren sowie schwieriger in Echtzeit auf einem typischen Mobilgerät zu betreiben. Im Gegensatz dazu nutzt das leichtgewichtige Modell nur eine Handvoll klar verständlicher Bewegungsmerkmale, kann auf demselben Gerät laufen, das das Spiel betreibt, und benötigt nichts weiter als eine eingebaute Kamera. Das macht es gut geeignet für den Einsatz zu Hause, Fernüberwachung und hektische Kliniken, in denen TherapeutInnen nicht bei jedem Besuch eine halbe Stunde für formelle Tests aufwenden können.

Was das für das Leben nach einem Schlaganfall bedeuten könnte

Für Schlaganfallüberlebende deutet dieses Rahmenwerk auf eine Zukunft hin, in der alltägliche Reha-Sitzungen zugleich Kontrollen sind und angenehmes Spielen in kontinuierliches, müheloses Tracking des Fortschritts verwandeln. Die Studie ist noch ein Machbarkeitsnachweis, basierend auf einer kleinen Gruppe von Freiwilligen, und die AutorInnen planen größere Studien, um ihren Ansatz zu bestätigen und zu verfeinern. Doch die Botschaft ist klar: Durch die Kombination eines fesselnden Spiels mit erschwinglicher kamerabasierter Verfolgung und einem klaren, moderaten KI-Modell könnte es möglich werden, häufige, objektive Beurteilungen zu Hause anzubieten — die personifiziertere Therapie unterstützen und gleichzeitig die Belastung bereits ausgelasteter Rehabilitationsdienste verringern.

Zitation: Tannús, J., Valentini, C. & Naves, E. AI-driven low-cost rehabilitation exergame as a lightweight framework for stroke assessment. npj Digit. Med. 9, 196 (2026). https://doi.org/10.1038/s41746-026-02383-1

Schlüsselwörter: Schlaganfallrehabilitation, Exergames, digitale Biomarker, Telerehabilitation, KI-Bewegungsverfolgung