← 返回首頁

步態藏著多少健康訊息?AI研究串起18類身體系統指標

一項3,328名成人的研究發現,全身關節的動作模式,能補充年齡與體脂資料未能解釋的健康差異。這讓動作分析有望成為臨床研究的新工具,但距離用來篩檢、診斷疾病,還需要前瞻性驗證。

By SURL BioNews

看一個人走路,能知道的或許不只是平衡與肌力。步伐、軀幹擺動與關節協調,也可能反映代謝、睡眠等健康差異。11月6日線上發表於《Nature Medicine》的一項研究,嘗試以人工智慧讀取這些細節:在3,328名成人中,動作資料對多類健康指標具有預測能力,為低負擔的健康評估提供了研究方向。

研究使用Human Phenotype Project世代資料,以單一深度攝影機記錄參與者完成五項動作任務時的三維骨架運動。依Newton Tech發布的資料,團隊共分析17,589段動作序列,由該公司的Movement Lab系統擷取與處理。這裡分析的是標準化任務中的骨架動態,而非隨手拍攝一段日常影片就能得到健康判讀。

傳統步態分析常把動作化約為步頻、步幅等數值;這項研究的基礎模型,則將全身關節隨時間共同移動的模式轉成一組數值表徵。模型預測年齡、身體質量指數(BMI)與內臟脂肪面積的相關係數,分別為0.69、0.91與0.83,表現優於研究比較的傳統步態特徵。這些數字描述預測值與實測值的相關程度,不能解讀為疾病診斷的準確率。

在接受測試的3,210項健康表型中,模型對1,887項呈現統計上顯著的預測能力。更關鍵的是,以年齡、BMI、內臟脂肪與身高建立基準模型後,加入動作表徵仍能改善男性全部18類身體系統、女性其中17類的預測。這表示動作提供了身體組成之外的資訊,但不代表每一項指標都已達到臨床可用的精準度。

這些訊息也並非平均散布於全身。研究將不同身體部位的資訊移除後發現,腿部動態對代謝與衰弱相關預測較重要,軀幹動態則帶有睡眠與生活型態的線索。這有助於追問模型究竟讀到了什麼,但仍無法僅憑關聯,判定某種健康狀態如何造成特定動作變化。

對臨床試驗而言,潛在用途是讓功能評估保留更多細節:除了完成任務花了多久,也檢視關節協調與動作方式是否改變。Newton Tech提出,這類分析可望用於受試者分層、探索性終點與治療反應評估。不過,能預測既有健康差異,與能可靠追蹤藥物效果,是兩個需要分別驗證的問題。

研究與設備供應商的關係也須一併閱讀:論文揭露,三名作者任職於開發記錄系統的Newton VR Ltd.,另有兩名作者擔任Pheno.AI的有償顧問。公司新聞稿亦明言,篩檢與診斷用途仍屬研究階段,須經前瞻性研究及更多元族群驗證。眼前的成果,是找到一種可能補充健康評估的生物訊號;能否據此改善醫療決策,仍待後續研究回答。

References

  1. Medical Xpress / Newton Tech
  2. PubMed / Nature Medicine
  3. Newton Tech press release via BrightSurf