Maschinelles Lernen für digitale Ganganalyse bei Ataxie mithilfe sensorfreier Bewegungserfassung

Warum Gehvideos für die Hirngesundheit wichtig sind

Verlust von Gleichgewicht und Koordination ist ein prägendes Merkmal der Ataxie, einer Gruppe neurodegenerativer Erkrankungen, die das Gehen zunehmend erschweren. Heute bewerten Ärztinnen und Ärzte das Gangbild meist mit einer einfachen klinischen Skala, die frühe, subtile Veränderungen übersehen kann. Diese Studie stellt eine aktuelle Frage: Können ganz normale Videoaufnahmen von Menschen beim Gehen, analysiert mit maschinellem Lernen, Gangstörungen früher erfassen und präziser verfolgen — ganz ohne tragbare Sensoren oder spezielles Laborequipment?

Bewegung durch eine digitale Linse sehen

Die Forschenden arbeiteten mit 91 Erwachsenen mit verschiedenen Formen der Ataxie und 28 gesunden Freiwilligen, die bereits in einem deutschen Zentrum für Neurodegeneration untersucht wurden. Während routinemäßiger Besuche führte jede Person eine normale Gehaufgabe durch, während sie mit einer einzelnen Tablet-Kamera von vorne gefilmt wurde. Neurologinnen und Neurologen bewerteten die Gehfähigkeit mit dem ersten Item einer standardisierten Skala namens SARA, die den Gang von normalem Gehen bis zur Unfähigkeit zu gehen einstuft. Diese Vor-Ort-Wertungen dienten als „Ground Truth“, mit der das digitale System verglichen wurde.

Von Pixeln zur Körperbewegung

Um Rohvideo in messbare Bewegung zu verwandeln, nutzte das Team einen Pose-Estimation-Algorithmus namens AlphaPose. Dieses Programm verfolgt Schlüsselpunkte des Körpers — wie Hüften, Schultern, Handgelenke und Knöchel — in jedem Videoframe und erstellt Zeitreihen, die beschreiben, wie Positionen, Abstände und Gelenkwinkel sich bei jedem Schritt verändern. Aus diesen Signalen bauten die Forschenden mehrere Modelle des maschinellen Lernens. Einige extrahierten Hunderte mathematischer Merkmale, die Muster in der Bewegung beschreiben, etwa wie stark ein Gelenkwinkel variiert, während andere schnelle, konvolutionsbasierte Methoden für Zeitreihen verwendeten. Die Modelle wurden darauf trainiert, entweder die numerische Gangpunktzahl der Kliniker nachzubilden oder zu entscheiden, zu welcher von zwei Gruppen (z. B. gesund vs. leicht betroffen) eine Person gehörte.

Mit menschlichem Urteil mithalten und es übertreffen

Die leistungsstärkste Kombination verwendete Merkmalsextraktion mit dem tsfresh-Toolkit zusammen mit einer gradientenverstärkten Entscheidungsbaum-Methode (XGBoost). Dieses Modell stellte die Gangbewertungen der Kliniker mit guter Genauigkeit nach und übertraf leicht eine separate „menschliche Referenz“: Konsensusbewertungen von drei geschulten Neurologinnen und Neurologen, die die Videos nachträglich beurteilten. Das digitale System war besonders stark darin, Personen mit deutlich unterschiedlichen Graden von Gangstörungen zu unterscheiden, behandelte aber auch sehr feine Differenzen. Bemerkenswert ist, dass es gesunde Freiwillige von Gen-Trägern unterscheiden konnte, die für menschliche Untersucher noch normal zu gehen schienen, und erzielte damit eine deutlich bessere Klassifikation als Zufall. Anders gesagt: Der Algorithmus erkannte verborgene Gangabweichungen, bevor sie in routinemäßigen klinischen Untersuchungen sichtbar waren.

In die Black Box schauen

Um zu verstehen, worauf das Modell „achtet“, nutzte das Team eine erklärbare KI-Methode namens SHAP, um zu bewerten, welche Bewegungssignale für seine Entscheidungen am wichtigsten waren. Die Winkel an Schultern und Hüften erwiesen sich als zentrale Einflussfaktoren, was mit der klinischen Erfahrung übereinstimmt, dass Menschen mit Ataxie oft die Standweite vergrößern und die Arme zur Kompensation für das schlechte Gleichgewicht einsetzen. Im Zeitverlauf verfolgten die Forschenden, wie ausgewählte digitale Merkmale sich bei 30 Patientinnen und Patienten mit wiederholten Besuchen veränderten. Während die standardisierte klinische Gangwertung im Durchschnitt kaum schwankte, zeigten mehrere dieser bewegungsbasierten Marker konsistente Trends, eng korreliert mit der Zeit und angepasst an das individuelle Ausgangsniveau der Beeinträchtigung. Das deutet darauf hin, dass die digitalen Messungen schrittweise Fortschritte erfassen können, die die grobe klinische Skala oft übersieht.

Fairness, Praktikabilität und Einsatz zu Hause

Das beste Modell lieferten ähnliche Leistungen über verschiedene Altersgruppen hinweg und zwischen Männern und Frauen, was darauf hindeutet, dass es breit einsetzbar ist, ohne starke demografische Verzerrung. Da das System mit einem einzigen frontalen Video funktioniert, das auf einem Consumer-Tablet aufgenommen wird, lässt es sich in reguläre Klinikbesuche integrieren und könnte mit grundlegenden Hinweisen zur Kameraaufstellung und zum Hintergrund auch für Aufnahmen zu Hause erweitert werden. Dies steht im Gegensatz zu traditionellen Ganganalysesystemen, die mehrere Kameras, aufgeklebte Marker auf der Haut oder tragbare Sensoren erfordern, die einige Patientinnen und Patienten als unbequem oder für häufige Überwachung unpraktisch empfinden.

Was das für Patientinnen, Patienten und die Versorgung bedeutet

Die Studie zeigt, dass einfache Gehvideos, analysiert mit modernem maschinellen Lernen, nicht nur Expertenbewertungen der Gangstörung bei Ataxie reproduzieren, sondern diese leicht verbessern können. Noch wichtiger: Der digitale Ansatz offenbart frühe und langsame Veränderungen, die Menschen tendenziell übersehen. Für Betroffene und Behandelnde öffnet sich damit die Möglichkeit einer früheren Erkennung des Krankheitsbeginns, einer empfindlicheren Verfolgung, ob Therapien wirken, und einer bequemen Überwachung zu Hause. Mit zunehmender Datensammlung und Verfeinerung der Methoden könnten solche videobasierten digitalen Biomarker ein routinemäßiger Bestandteil der Versorgung von Ataxie und der Bewertung neuer Therapien werden.

Zitation: Wegner, P., Grobe-Einsler, M., Reimer, L. et al. Leveraging machine learning for digital gait analysis in ataxia using sensor-free motion capture. Commun Med 6, 167 (2026). https://doi.org/10.1038/s43856-025-01258-y

Schlüsselwörter: Ataxie Gang, Video-Bewegungserfassung, Maschinelles Lernen, digitale Biomarker, neurologische Bewegungsstörungen