Uno studio su Nature Medicine esplora come l’analisi del movimento possa fornire informazioni sulla salute metabolica, sul sonno e sulla fragilità fisica
Il modo di camminare può contenere informazioni che vanno oltre l’equilibrio e la mobilità. Una ricerca sull’intelligenza artificiale applicata al movimento mostra che i gesti del corpo si associano a numerosi parametri di salute e possono aggiungere informazioni a quelle offerte dalle caratteristiche fisiche di una persona.
Lo studio su 3.328 adulti: ricercatori e istituzioni
Il lavoro, pubblicato il 6 novembre 2026 su Nature Medicine, è firmato da Adam Gabet, Sarah Kohn, Guy Lutsker e colleghi, con la direzione di Eran Segal. Il gruppo coinvolge il Weizmann Institute of Science, in Israele; Segal è affiliato anche alla Mohamed bin Zayed University of Artificial Intelligence, negli Emirati Arabi Uniti.
Sono stati studiati 3.328 adulti, registrati con una telecamera di profondità durante cinque compiti motori.
Perché il cammino è un indicatore di salute
Camminare richiede il lavoro coordinato di muscoli, articolazioni, sistema nervoso, cuore e polmoni. Per questo una variazione dell’andatura può riflettere la condizione complessiva dell’organismo.
Già nel 2011, una ricerca coordinata da Stephanie Studenski, pubblicata su JAMA, aveva analizzato i dati di 34.485 persone dai 65 anni in su, provenienti da nove studi. Una maggiore velocità del cammino risultava associata a una migliore sopravvivenza.
Si trattava di un’associazione osservazionale: il dato non dimostrava che accelerare volontariamente il passo allungasse la vita. Indicava piuttosto che una misura semplice poteva riassumere informazioni su salute e capacità funzionale. Il movimento interessa quindi la medicina anche come segnale da interpretare insieme agli altri dati del paziente.
Dalla telecamera all’intelligenza artificiale
Nello studio del 2026, condotto nell’ambito dello Human Phenotype Project, il sistema Movement Lab ha acquisito sequenze tridimensionali. Il gruppo ha analizzato 17.589 sequenze di movimento, superando la descrizione dell’andatura attraverso pochi valori, come velocità e lunghezza del passo.
Il modello apprende regolarità nelle posizioni delle articolazioni e nella loro evoluzione nel tempo. Nel codice reso pubblico dagli autori, l’addestramento comprende la ricostruzione di parti mascherate delle sequenze scheletriche: il sistema impara a ricavare le informazioni mancanti dal contesto del movimento.
È una forma di apprendimento autosupervisionato. Per comprendere l’idea, si può pensare a una sequenza di gesti con alcuni passaggi nascosti: ricostruirli richiede di cogliere le relazioni fra le parti del corpo.
L’analisi produce poi rappresentazioni numeriche, chiamate embedding, utilizzabili nelle valutazioni successive. La loro funzione è condensare caratteristiche complesse del movimento, mantenendo più informazione di quanto possa fare un singolo tempo di percorrenza.
I risultati: che cosa è riuscito a stimare il modello
Le rappresentazioni apprese hanno consentito previsioni statisticamente significative per 1.887 delle 3.210 caratteristiche esaminate. Per alcuni parametri, le correlazioni tra stime e misure erano:
| Parametro | Correlazione di Pearson |
|---|---|
| Età | 0,69 |
| Indice di massa corporea | 0,91 |
| Area del grasso viscerale | 0,83 |
Come leggere le correlazioni
Il coefficiente di Pearson descrive quanto due variabili seguono una relazione lineare. Un valore vicino a 1 indica una forte relazione positiva; un valore vicino a zero indica una relazione lineare debole o assente.
Una correlazione di 0,91 non significa “diagnosi corretta nel 91% dei casi”. Per valutare l’affidabilità di uno strumento servono anche informazioni sugli errori, sulla popolazione studiata e sull’impiego previsto. Inoltre, una correlazione elevata non garantisce che la stima sia sufficientemente precisa per una decisione sul singolo paziente.
Le informazioni aggiunte dal movimento
Le associazioni riguardavano ambiti cardiovascolari e metabolici, densità ossea, funzione epatica, sonno, salute mentale e fragilità. Rispetto a modelli basati su età, indice di massa corporea, grasso viscerale e altezza, aggiungere il movimento migliorava le previsioni in tutti i 18 ambiti valutati negli uomini e in 17 su 18 nelle donne.
Anche le diverse regioni corporee contribuivano in modo differente: le gambe erano particolarmente informative per metabolismo e fragilità, il tronco per sonno e stili di vita.
Le caratteristiche analizzate comprendono misure fisiche, dati biologici e informazioni cliniche: il loro numero non corrisponde a un elenco di malattie diagnosticabili. Il risultato invita a studiare il movimento come una fonte aggiuntiva di dati, da valutare per ogni specifico impiego.
Cammino e cervello: un legame studiato anche a mezza età
Il rapporto tra andatura e salute non riguarda soltanto gli anziani. Nel 2019, Line Jee Hartmann Rasmussen e colleghi hanno pubblicato su JAMA Network Open un lavoro su 904 partecipanti di 45 anni della coorte di Dunedin.
Una minore velocità del cammino si associava a peggiori prestazioni fisiche e cognitive e a indicatori di invecchiamento biologico più rapido. Questi risultati aiutano a comprendere l’interesse per una lettura integrata del movimento, mantenendo distinta l’associazione dalla spiegazione causale.
Dalla ricerca alla clinica: quali verifiche servono
Per un futuro utilizzo sanitario, la domanda decisiva è se le misure ottenute siano affidabili e utili nel contesto in cui verranno impiegate. Le indicazioni della Food and Drug Administration sulle tecnologie digitali nella ricerca clinica richiamano proprio la verifica delle prestazioni, la validazione e l’adeguatezza allo scopo.
Applicando questo principio all’analisi del movimento, sarà importante valutare la ripetibilità delle misure, il funzionamento in popolazioni differenti e il beneficio aggiunto alle valutazioni già disponibili. Bisognerà anche distinguere gli obiettivi: monitorare una capacità motoria, individuare persone da sottoporre ad approfondimento e formulare una diagnosi richiedono prove diverse.
Un possibile impiego da studiare è il confronto delle registrazioni di una persona nel tempo. La questione clinica sarebbe capire se un cambiamento rifletta un miglioramento funzionale, un peggioramento o una strategia di compenso. L’utilità dipenderà dalla capacità di collegare quella variazione a un esito rilevante per il paziente.
Codice pubblico e possibilità di verifica
Gli autori hanno reso disponibile il progetto GaitPredict, con codice del modello, risultati delle analisi e strumenti per riprodurre le figure. Questo consente ad altri ricercatori di esaminare il procedimento e approfondire le scelte metodologiche.
La prospettiva è ampliare ciò che possiamo misurare attraverso un gesto quotidiano. Il passaggio successivo sarà dimostrare quando questa informazione aiuti davvero chi cura a prendere decisioni migliori.
Ricerca originale: Gabet A. et al., Nature Medicine, 6 novembre 2026. DOI: 10.1038/s41591-026-04724-9.
Leggi lo studio originale
