Das Ganglabor in der Hosentasche

Bisher braucht es teure Labore, um zu verstehen, wie sich Kinder mit Zerebralparese bewegen und was ihnen helfen kann. Ein Forschungsteam aus Österreich will herausfinden, ob künftig auch ein Smartphone-Video wichtige Hinweise liefern könnte.

Im Ganglabor von Brian Horsak blinken 16 Kameras von den Wänden. Sie erfassen ganz genau, wie ein Mensch geht: wie der Fuß aufsetzt, wie stark sich das Knie beugt, wie sich die Hüfte bewegt, wie das Becken kippt. „Man kann sich das vorstellen wie ein dreidimensionales Röntgenbild ohne Strahlung“, sagt Horsak. Der Forscher an der Hochschule für Angewandte Wissenschaften St. Pölten beschäftigt sich seit Jahren mit Bewegungsanalyse. In seinem vom Wissenschaftsfonds FWF geförderten Projekt „Laborunabhängige 3D-Ganganalyse bei Zerebralparese“ untersuchen er und sein Team, ob ein Teil dieser Analyse künftig auch außerhalb spezialisierter Labore möglich sein könnte – mit Smartphone-Videos und Künstlicher Intelligenz (KI). Im Mittelpunkt des Projektes, das von 2024 bis 2027 läuft, stehen Kinder und Jugendliche mit Zerebralparese.

Wenn Gehen viel erzählt

Zerebralparese gilt als häufigste motorische Behinderung im Kindesalter. Rund zwei bis drei von 1000 Neugeborenen sind von einer Schädigung des Gehirns in einer frühen Lebensphase betroffen. Die Folgen können sehr unterschiedlich sein. Manche Kinder können selbstständig gehen, andere brauchen Hilfsmittel oder einen Rollstuhl. Häufig mangelt es an Muskelspannung, Koordination, Gleichgewicht und Bewegungssteuerung. Für die betroffenen Kinder und ihre Familien bringt die Diagnose oft viele Fragen und Entscheidungen mit sich: Welche Therapie hilft? Braucht es Hilfsmittel? Wie entwickelt sich das Gehen im Wachstum? Ist eine Operation notwendig?

Gerade das Wachstum spielt eine wichtige Rolle. Kinder werden größer und schwerer, Muskeln und Knochen verändern sich. Was ein Kind eine Zeit lang gut ausgleichen konnte, kann später als Teenager schwieriger werden. Im schlimmsten Fall verschlechtert sich die Gehfähigkeit deutlich.

Deshalb ist es wichtig, den Gang von Betroffenen genau zu verstehen. Mit freiem Auge sieht man vielleicht, dass ein Kind unsicher, steif oder asymmetrisch geht. Aber viele Details bleiben verborgen. „Unser Auge kann nur 25 Bilder pro Sekunde erfassen. Das ist hier zu wenig“, so Horsak. Bewegung passiert schnell, und es bewegt sich nicht nur ein Gelenk. Knie, Hüfte, Becken und Sprunggelenk hängen zusammen. Verändert sich eine Stelle, wirkt sich das oft auf andere aus. „Deswegen müssen wir Bewegung aufzeichnen und quantifizieren“, betont der Forscher, der von der Sportwissenschaft zur Bewegungsanalyse kam.

Was das Labor sieht

In einem klassischen Ganglabor gehen Patienten eine kurze Strecke entlang. Mehrere Kameras erfassen Marker, die an bestimmten Punkten des Körpers angebracht sind. Diese Marker zeigen, wo sich Knie, Hüfte oder Schultern im Raum befinden. Das System erkennt ihre Position auf den Millimeter genau. Dazu kommen Kraftmessplatten im Boden. Sie messen, welche Kräfte beim Auftreten wirken. Kombiniert man die Kameradaten mit den Kraftmessungen, lassen sich auch Drehmomente in den Gelenken berechnen.

Aus ein paar Schritten entstehen so Kurven, Winkel und Modelle. Ärzte können so zum Beispiel sehen, wie sich das rechte und das linke Bein unterscheiden, wie stark ein Knie gebeugt bleibt oder ob das Becken nach vorne kippt. Solche Daten helfen dabei, Therapien zu planen, Operationen vorzubereiten oder Behandlungsergebnisse zu überprüfen.

Bei Kindern mit Zerebralparese kommt es zum Beispiel häufig zum sogenannten Kauergang. Dabei bleiben Knie und Hüfte beim Gehen stärker gebeugt. Von außen sieht das vielleicht einfach nach einem angestrengten Gang aus. In der Analyse wird daraus ein genauer Verlauf von Gelenkwinkeln und Bewegungen. Genau darin liegt der Wert solcher Labore: Sie machen sichtbar, was sonst entgehen kann.

Ein aufwendiger Blick

So hilfreich diese Daten sind, so aufwendig ist aber bis heute ihre Erhebung. Ein Ganglabor braucht mindestens zehn Kameras, spezielle Software, Kraftmessplatten und geschultes Personal. Die Marker müssen genau an anatomischen Punkten aufgeklebt und die Daten ausgewertet und medizinisch eingeordnet werden. „Ein solches Labor kostet schnell 500.000 Euro aufwärts“, sagt Horsak. Deshalb gibt es Ganglabore vor allem an spezialisierten orthopädischen Kliniken, Reha-Zentren oder Forschungseinrichtungen. Im Projekt arbeitet Horsak unter anderem mit dem Orthopädischen Spital Speising in Wien zusammen, wo Kinder mit Zerebralparese regelmäßig untersucht werden.

Die Zahl der Ganglabore ist also begrenzt. Für viele Familien bleibt der Zugang somit schwierig. Wege können weit sein, Termine aufwendig, Untersuchungen teuer. In der Praxis wird eine Ganganalyse deshalb häufig nur dann gemacht, wenn größere therapeutische Entscheidungen oder Operationen anstehen.

Was aber in der Zeit dazwischen passiert, weiß man oft weniger genau: Wie verändert sich die Mobilität im Alltag? Wird eine Verschlechterung früh genug bemerkt? Nimmt die Beweglichkeit ab? Sollte das behandelnde Team genauer hinschauen? Hier setzt Horsaks Projekt an.

Bewegung aus dem Video

Die Idee: Ein Kind geht ein paar Schritte, ein Smartphone nimmt die Bewegung auf, eine KI wertet das Video aus. Aus den Bildern soll ein dreidimensionales Bewegungsmodell entstehen – ähnlich wie im Ganglabor, nur ohne Marker, ohne Kamerasystem und ohne teure Infrastruktur. „Wir versuchen, das ganze Ganglabor in die Hosentasche von Physiotherapeuten, Ärzten und Familien zu bringen“, sagt Horsak.

Der Anspruch ist dabei nicht, das klassische Ganglabor zu ersetzen, betont Horsak. Für komplexe Operationsplanungen braucht es weiterhin hohe Genauigkeit und spezialisierte Labore. Die Smartphone-Analyse soll vielmehr dort helfen, wo bisher gar keine Bewegungsdaten erhoben werden. Also zum Beispiel zwischen zwei Laborterminen, zu Hause, in der Physiotherapie oder auch in Ländern, in denen es kaum Zugang zu Ganglaboren gibt.

Wenn die KI dazulernen muss

Dafür muss die KI, die zum Einsatz kommt, aber noch genauer geprüft und verbessert werden. Zwar werden viele KI-Modelle schon mit großen Datensätzen trainiert. Darin kommen aber nicht automatisch jene Körperformen und Bewegungsmuster vor, die bei Zerebralparese typisch sein können: gebeugte Knie, nach innen gedrehte Beine, veränderte Körperhaltung, Knochendeformitäten, asymmetrische Bewegungen. „Die KI kennt schon viel, aber nicht alles“, sagt Horsak. Deshalb „halluziniert“ sie derzeit noch ab und zu: Bei Bewegungsabläufen, die die KI nicht kennt, entstehen ungenaue oder stellenweise erfundene Körperpositionen.

Deshalb geht es in Horsaks Projekt nicht darum, eine vorhandene KI einfach in der Medizin einzusetzen. Es geht zuerst darum, ihre Grenzen zu prüfen. Das Team vergleicht die Ergebnisse der Smartphone-Analyse mit dem Goldstandard im Ganglabor. So lässt sich sehen, bei welchen Gelenken, Bewegungsrichtungen und Fragestellungen die Methode schon gut funktioniert – und wo nicht.

In Folge sollen die Modelle verbessert werden. Dafür sammelt das Team gemeinsam mit dem Orthopädischen Spital Speising Videodaten und Bewegungsanalysedaten von Kindern mit Zerebralparese. Mit diesen Daten können bestehende Modelle nachtrainiert werden. In der KI-Forschung nennt man das „Finetuning“. Vereinfacht gesagt: Ein Modell, das menschliche Bewegung grundsätzlich schon kennt, soll lernen, auch die Bewegungen von Kindern mit Zerebralparese besser zu erkennen.

Was schon gelingt

In einem ersten Schritt hat Horsaks Team mit gesunden Probanden gearbeitet. Sie wurden gebeten, verschiedene Gangbilder zu imitieren, die auch bei Kindern mit Zerebralparese vorkommen können. Diese Bewegungen wurden mit Smartphone-Video und gleichzeitig mit dem klassischen Ganglabor aufgezeichnet.

Die Ergebnisse waren für Horsak überraschend vielversprechend. Vor allem bei großen Bewegungen wie Beugung und Streckung von Knie oder Hüfte funktionierte die Methode gut. Dort lagen die Abweichungen im Schnitt bei etwa fünf Grad. Für bestimmte klinische Fragestellungen kann das brauchbar sein.

Gleichzeitig zeigte sich aber auch: Nicht alles funktioniert gleich gut. Manche Gelenke und Bewegungsrichtungen sind schwieriger zu erfassen. Kleine Bewegungen fallen stärker ins Gewicht. Und es gibt Personen, bei denen das Modell deutlich besser funktioniert als bei anderen.

Horsak und sein Team wollen herausfinden, warum. Derzeit arbeiten sie direkt mit Kindern mit Zerebralparese. Knapp 30 Betroffene seien bereits eingeschlossen, weitere sollen folgen. Die ersten Ergebnisse sehen laut Horsak ähnlich gut aus. Gleichzeitig bleibt die zentrale Frage: Wie zuverlässig ist die Methode wirklich – und für welche Anwendung reicht ihre Genauigkeit aus?

Horsaks große Vision ist, dass die „Bewegungsanalyse in der Hosentasche“ bald sowohl von Ärzten und Physiotherapeuten als auch vom Umfeld der Betroffenen verwendet werden kann. Um zusätzliche Informationen zu liefern, um Therapien zu verbessern, um das Leben der Patienten und ihren Angehörigen zu erleichtern. „Da sehe ich so viel Potenzial, Gutes zu tun für die Familien.“

---

Originalpublikation:
Horsak B et al. Validity and reliability of monocular 3D markerless gait analysis in simulated pathological gait: A comparative study with OpenCap.
J Biomech 2025;193:112986. doi: 10.1016/j.jbiomech.2025.112986.