Üç boyutlu hareket analizi, karın içi yağ alanını tahmin etmede adım ölçümlerini aştı

Yürüyüş, denge ve sandalyeden kalkma gibi hareketlerin üç boyutlu kayıtları, iç organların çevresindeki yağ dokusu hakkında ipucu verdi. 3.328 yetişkinin verileriyle geliştirilen yapay zekâ modeli, karın içi yağ alanını, vücut kitle indeksini ve yaşı tahmin etmede adım uzunluğu ve adım sıklığı gibi geleneksel ölçülere dayanan yöntemden daha iyi sonuç verdi. Araştırma, 6 Kasım 2026’da Nature Medicine’da yayımlandı.

Bir kamerayla beş hareket görevi kaydedildi

Araştırmacılar, derinlik kamerasıyla katılımcıların yürüme bandında kendi hızlarında ve saatte 3 kilometre hızla yürüyüşünü, yerinde adımlamasını, sandalyeden kalkışını ve ayakta dengede duruşunu kaydetti. Model, bu kayıtlardan eklemlerin hareket boyunca nasıl birlikte çalıştığını öğrendi.

İki kişi sandalyeden aynı sürede kalksa bile kalkarken gövdelerini farklı açılarda öne eğebilir. Üç boyutlu kayıt, hareketin süresine ek olarak bu tür farkları da incelemeye olanak tanıyor.

Tahminler ölçülen değerlere ne kadar yakındı?

Tahminlerle ölçülen değerler arasındaki korelasyon, vücut kitle indeksi için 0,91, karın içi yağ alanı için 0,83 bulundu. Bu katsayılar, tahminlerle ölçümlerin ne ölçüde birlikte değiştiğini gösteriyor. Bir kişiye ait tahminin ölçümden ne kadar saptığını anlamak için tahmin hatasının ayrıca incelenmesi gerekiyor.

Araştırmacılar ayrı bir analizde, hareket kayıtlarının yaş, boy, vücut kitle indeksi ve karın içi yağ alanı bilgilerine ne kattığını da sınadı. Hareket verileri eklendiğinde çeşitli sağlık göstergelerine ilişkin tahminler iyileşti.

Bu sonuç, hareket biçiminin temel vücut ölçülerinin ötesinde de bilgi taşıyabildiğini gösteriyor.

Model klinikte kullanılabilir mi?

Bu çalışmada modelin tahminleri, katılımcıların daha önce toplanmış sağlık verileriyle karşılaştırıldı. Bir yürüyüş kaydının ileride ortaya çıkabilecek hastalıkları öngörüp öngöremeyeceğini değerlendirmek için zaman içinde izlem gerekiyor. Modelin tanıya katkısı da farklı gruplarda ve klinik koşullarda ayrıca sınanmalı.

KAYNAKLAR

1. Gabet A, Kohn S, Lutsker G ve ark. A gait foundation model for prediction of multisystem health phenotypes from 3D skeletal motion. Nature Medicine, 6 Kasım 2026.

2. Deep learning-based gait analysis predicts multisystem health phenotypes. Nature Medicine, araştırma özeti, 9 Kasım 2026.