← 返回首頁

步態藏著全身健康線索:AI從三維動作預測代謝與衰弱指標

一項涵蓋3,328名成人的研究,讓AI從關節運動讀取多種健康特徵。結果為非侵入式篩檢提供研究方向,但預測能力能否轉化為臨床益處,還有待驗證。

By SURL BioNews

走路時雙腿如何交替、軀幹如何保持平衡,可能透露比步速更多的健康訊息。《Nature Medicine》一項新研究以三維骨架動作訓練AI模型,探索能否從身體的移動方式,讀出代謝、衰弱與睡眠等不同面向的線索,為日後較容易取得的健康評估工具鋪路。

原始論文於11月6日發表,期刊並於11月9日刊出研究簡報。研究團隊使用3,328名成人的資料,以單一深度攝影機記錄參與者完成五項動作任務時的骨架運動,再將動作與詳細的健康測量資料對照。這套方法需要特定設備與任務流程,尚不能直接推論一般手機錄影也有相同效果。

傳統步態分析常先計算步頻、步幅等指標;這次的模型則學習各關節隨時間協同移動的模式,將複雜動作轉成可供預測使用的數值特徵。研究發現,在3,210項受測健康特徵中,這些動作特徵對1,887項具有統計上顯著的預測能力,但這個數字並不代表能診斷同樣數量的疾病。

在幾項具體指標上,模型預測值與實際年齡、身體質量指數及內臟脂肪面積的皮爾森相關係數,分別為0.69、0.91與0.83,表現優於傳統人工設計的步態特徵。相關係數描述兩者變化的一致程度,不能解讀為診斷準確率,也無法單憑這些數字判斷個人的預測誤差是否適合臨床使用。

動作資訊也不只是年齡或體型的另一種呈現。相較於僅使用年齡、身體質量指數、內臟脂肪與身高的基準模型,加入學得的動作特徵後,男性18個身體系統、女性其中17個系統的預測均有改善,臨床診斷與用藥情形的預測也有所提升。不過,辨識資料中的診斷與用藥差異,仍不能等同於提早預知未來發病。

研究進一步檢視不同身體部位的貢獻,發現腿部動態對代謝與衰弱相關預測最為重要,軀幹動態則帶有睡眠與生活型態的訊息。這讓模型的判讀多了一些可理解的線索,但部位與健康特徵之間的關聯,尚不足以證明因果關係。

若要走進篩檢流程,接下來仍須確認模型在不同族群與實際照護場域中的可靠性,以及提示異常後,後續檢查能否帶來健康益處。研究已提供程式碼與統計來源資料,參與者資料則須經受控研究程序取得。這有助後續檢驗與重現;至於步態分析能否改善醫療決策,仍需要直接的臨床證據。

References

  1. Nature Medicine
  2. Nature Medicine