全文概要
发表于《自然·医学》（Nature Medicine）的一项研究，基于 3,328 名深度表型化成人的三维骨骼运动数据，训练出一个步态基础模型（gait foundation model）。该模型的嵌入表征可显著预测 3,210 项表型目标中的 1,887 项，覆盖男性全部 18 个、女性 17 个身体系统，并改善了对临床诊断与用药情况的预测，为低成本、无创的全身健康筛查提供了全新可能。

【开头配图Opening】

1. "步态是第六生命体征"从理念走向数据

早在 2009 年，就有白皮书提出"步行速度是第六生命体征"的概念，但此后绝大多数步态研究局限于技术性或特定疾病问题——一项 2020 年系统综述显示，超过 99% 的仪器化步态研究仅针对狭窄的技术或病症问题，步态作为全身健康信号的广阔诊断潜力长期未被充分挖掘。此次研究正是对这一理念的系统性检验与拓展。

2. 自监督学习驱动的步态基础模型

研究团队采用掩码自编码器（masked autoencoder）这一自监督学习范式，将其适配于深度相机记录的、来自五种运动任务的三维时空骨骼运动数据。模型学习到的嵌入表征不仅能显著预测 1,887 项表型目标，还在 18 个身体系统中均带来预测增益，并改善了对临床诊断与用药情况的预测能力。这意味着，通过分析一个人的走路方式，AI 有可能同时捕捉到心血管、神经、代谢、骨骼肌肉等多个系统的健康信号。

3. 应用前景与审慎态度

这一研究展示了步态作为一种低成本、无创、可广泛部署的全身健康筛查信号的潜力。若步态指标能够进入临床常规使用，或为社区筛查、老年健康管理、慢病早期预警提供新工具。不过，研究者也提醒，该模型在原始队列之外人群中的泛化能力、以及与基线临床模型的增益对比仍有待进一步验证。未来能否真正落地临床，还需更多跨人群、跨机构的前瞻性研究支持。

来源：Nature Medicine 期刊论文（11 月 9 日发表）、Nature 研究简报等综合报道

解螺旋科研助手企业微信二维码，扫码添加免费领取科研资料礼包，包含AI科研提效、SCI投稿技巧、国自然基金、医学科研绘图、科研软件工具等实用资料

声明：本文资讯来源于公开报道及学术期刊，仅作行业信息传播，不构成临床用药建议。转载需注明来源。