走路姿势能看出健康？步态基础模型从3D骨骼运动预测1887种表型（Nature Medicine）

步态评估一直只用了走路信息的一小角

临床上描述走路，常用步速、步频、步长这些手工设计的特征。它们好测、好解释，但把一个连续的动作过程压缩成几个数字，细节就丢了——同一步速下，两个人摆臂、重心转移、关节协同的方式可以完全不同。

研究团队换了个思路：不做手工特征，让模型自己从三维骨骼运动序列里学。用单台深度相机，记录3328名深表型成年人在5个动作任务中的全身运动，训练出所谓“步态基础模型”。

模型的输出是一组嵌入向量，描述全身关节如何随时间协同运动。正是这种整体描述能力，让它比传统特征多抓到了不少健康信号。

3328人的数据里，模型学会了什么

先看最硬的几个指标：嵌入向量预测年龄的相关系数r=0.69，BMI r=0.91，内脏脂肪面积r=0.83。在3210个受测健康表型里，嵌入向量能显著预测1887个。

和“年龄+BMI+内脏脂肪+身高”构成的基线模型相比，步态嵌入把预测能力在男性全部18个身体系统、女性18个中的17个上都往上推了一截，临床诊断和用药情况的预测同样受益。

消融分析还揭示了分工：腿部动态对代谢和衰弱类预测贡献最大，而躯干动态更多编码睡眠和生活方式相关的表型。

被动生命体征，离临床还有几步

这项研究的卖点不在某个单项预测精度，而在采集方式：一台深度相机、5个动作、几分钟完成，不需要抽血或穿戴设备。作者据此提出，步态可以作为可被动采集的多系统生命体征。

需要注意的是，队列来自特定人群，跨人群、跨设备的表现还未验证；预测多为关联性而非因果，模型给出的高风险信号仍需临床检查确认。

如果后续在独立队列中站得住，步态筛查可能先在体检和老年医学场景落地——作为低成本的一线分层工具，而不是诊断本身。