Zum Inhalt springen
logo Das Magazin für Fitness, Gesundheit und Ernährung
Laufen Alle Themen
Von Lebervernarbung bis Schlaf

Erstaunlich! Was der Gang alles über die Gesundheit verraten kann

gehen
Laut einer Studie lassen sich am Gang bestimmte Hinweise auf unsere Gesundheit ablesen Foto: Getty Images/aire images
Martin Lewicki
Freier Autor

19. November 2026, 9:46 Uhr | Lesezeit: 7 Minuten

Was verrät die Art, wie wir uns bewegen, über unsere Gesundheit? Frühere Studien haben gezeigt, dass ein langsamerer Gang bei älteren Menschen mit einem erhöhten Demenzrisiko zusammenhängt. Eine neue Studie geht der Frage nach, welche weiteren Hinweise auf die Gesundheit in unseren Bewegungen stecken – etwa auf das biologische Alter, das Bauchfett oder die Schlafqualität. Die gewonnenen Studienergebnisse sind erstaunlich.

Wie Menschen gehen, ist hochindividuell. Jeder hat einen eigenen Gangrhythmus, eine eigene Gehgeschwindigkeit und eine eigene Körperhaltung beim Gehen. In einer neuen Studie, die in der Fachzeitschrift „Nature Medicine“ veröffentlicht wurde, analysierten israelische Forscher des Weizmann Institute of Science die Bewegungsaufzeichnungen von 3328 erwachsenen Personen, um herauszufinden, welche Zusammenhänge es zwischen ihrem Gang und ihrer Gesundheit gibt.1 Hierzu entwickelten sie ein Modell, das auf künstlicher Intelligenz basiert.

Was wollten die Forscher genau herausfinden?

Das israelische Forscherteam wollte wissen, ob in der Bewegung des ganzen Körpers mehr Gesundheitsinformationen stecken als in klassischen Gangmesswerten wie Schrittfrequenz oder Schrittlänge. Statt nur einzelne Messgrößen zu berechnen, untersuchten die Wissenschaftler, wie sich die Gelenke über die Zeit gemeinsam bewegen. Anschließend prüften sie, wie gut sich aus diesen Bewegungsmustern bereits erhobene Gesundheitsdaten schätzen lassen. Dazu zählten zum Beispiel die Griffkraft und die Körperzusammensetzung sowie Laborwerte und Schlafmerkmale. Die Studie untersuchte 3210 Merkmale aus 18 Gesundheitsbereichen. Dazu gehörten folgende Bereiche:

  • Körperzusammensetzung: BMI, Fett um die inneren Organe
  • Knochendichte: Knochenmineraldichte
  • Körperliche Gebrechlichkeit: Handgriffkraft
  • Herz-Kreislauf-Funktion: Herzfrequenz, EKG-Merkmale
  • Leber: Lebersteifigkeit
  • Nierenfunktion: Merkmale der Nieren
  • Blutbild und Blutbildung: Hämoglobin, Hämatokrit
  • Blutfette: Cholesterin, Triglyzeride
  • Metabolik: Stoffwechselprodukte im Blutserum
  • Schlaf: Schlafdauer, Messwerte zur Schlafapnoe
  • Psychische Gesundheit: Depressive Symptome
  • Lebensstil: Geh- und Bewegungsgewohnheiten 

Wie war die Studie aufgebaut?

Die Teilnehmerdaten stammen aus dem „Human Phenotype Project“.2 Hierbei handelt es sich um eine internationale, groß angelegte Gesundheitsdatenbank. Für die aktuelle Untersuchung wurden die Daten als Momentaufnahme (Querschnittsanalyse) ausgewertet. Darin werden unter anderem Körpermaße, Laborwerte, medizinische Angaben und Informationen zum Lebensstil erhoben. Unter kontrollierten Bedingungen absolvierten 3328 erwachsene Studienteilnehmer folgende Aufgaben:

  • Gang auf dem Laufband mit 3 km/h
  • Erneuter Gang auf dem Laufband, diesmal in einem bevorzugten Tempo
  • Gehen auf der Stelle
  • Aufstehen vom Stuhl
  • Ruhiges Stehen zur Gleichgewichtskontrolle

All diese Aufgaben hat eine spezielle Tiefenkamera aufgenommen und dabei die räumliche Position von 26 Gelenkpunkten erfasst. Untersucht wurde also nicht nur das Gehen, sondern auch das Aufstehen und Stehen und wie sich dabei die Gelenkpositionen veränderten. Bei dieser Querschnittsanalyse verknüpften die Forscher die Bewegungsmuster mit bereits erhobenen Gesundheitsmerkmalen. Somit untersuchte man nicht, ob sich aus den Aufnahmen spätere Erkrankungen vorhersagen lassen.

So hat man das KI-Modell entwickelt

Zunächst blendeten die Forscher Teile der 3D-Bewegungsaufnahmen aus. Das Modell sollte aus dem sichtbaren Rest rekonstruieren, was fehlte. Dadurch lernte es typische Bewegungsabläufe, ohne in dieser Trainingsphase Angaben zu Krankheiten, Laborwerten oder Schlaf zu benötigen.

Danach wandelte das trainierte Modell jede Bewegungssequenz in ein kompaktes Zahlenprofil um, ein sogenanntes„Embedding“. Dieses Profil beschreibt nicht nur, wie schnell jemand geht, sondern auch, wie die Bewegungen mehrerer Gelenke zeitlich zusammenspielen.

Mit diesen Zahlenprofilen trainierte das Team weitere KI-Modelle, um einzelne Gesundheitsmerkmale zu schätzen. Es verglich die Ergebnisse sowohl mit klassischen Gangmesswerten als auch mit einem Basismodell, das nur Alter, Body-Mass-Index (BMI), Körpergröße und die Menge an Fett im Bauchraum um die inneren Organe berücksichtigte. So ließ sich prüfen, ob die Bewegungsdaten über diese bekannten Merkmale hinaus einen Zusatznutzen hatten.

Das KI-Modell zeigte dabei eine beeindruckende Treffsicherheit: Das Körpergewicht (BMI) konnte extrem genau bestimmt werden (Korrelationswert r = 0,91), das Bauchfett sehr zuverlässig (r = 0,83) und auch das biologische Alter ließ sich gut am Gang ablesen (r = 0,69).

Wie Gang und Gesundheit zusammenhängen

Die Datenauswertung ermöglichte es den Forschern, Zusammenhänge zwischen dem Gang und der Gesundheit der Teilnehmer herzustellen. So identifizierte das KI-Modell statistisch signifikante Zusammenhänge mit 1887 der 3210 untersuchten Gesundheitsmerkmale.

Einige der Zusammenhänge betrafen das Alter und den Körperfettanteil. Andere wiesen jedoch auf Gesundheitsmerkmale hin, die auf den ersten Blick nichts mit dem Gehen zu tun zu haben scheinen. Die Entdeckung sorgt auch international für Aufsehen: Das Wissenschaftsmagazin „ScienceAlert“ hebt hervor, dass vor allem die unerwarteten Hinweise auf Leberwerte und Schlafgesundheit das Potenzial der KI-Ganganalyse unterstreichen. Die Forscher fanden heraus, dass Bewegungsmuster sogar Hinweise auf organische Werte wie die Lebersteifigkeit geben können. Das KI-Modell liefert hier wertvolle Orientierungspunkte, die Ärzten bei der Früherkennung helfen können.

Eine weitere Überraschung liefert der Zusammenhang zwischen dem Gang und dem Schlaf. Die Bewegung des Rumpfes, also des Bereichs zwischen Schultern und Hüften, lieferte Informationen, die mit Schlaf und körperlicher Aktivität in Verbindung standen. Anhand der Bewegungsmuster konnte das KI-Modell Werte vorhersagen, die mit Schlafapnoe in Verbindung stehen. Außerdem konnte das Modell Schlaflosigkeit und Schlafdauer der Teilnehmer in der vergangenen Nacht anhand der Bewegungen bewerten.

Mit den Bewegungsdaten verbesserten sich Vorhersagen bei Männern in allen 18 und bei Frauen in 17 von 18 untersuchten Gesundheitsbereichen. Bei Merkmalen des Stoffwechsels und der körperlichen Gebrechlichkeit waren dagegen die Beinbewegungen für das Modell besonders informativ. Das zeigte sich, als das Team Daten einzelner Körperregionen gezielt wegließ und prüfte, wie stark sich die Vorhersagen veränderten.

Mehr zum Thema

Fazit und Einschränkungen der Studie

Lässt sich also in Zukunft an unserem Gang direkt unsere Gesundheit ablesen? So einfach und eindeutig sind die ermittelten Zusammenhänge noch nicht. Allerdings hoffen die Forscher, dass die Bewegungsanalyse von Patienten zu einer routinemäßigen Gesundheitsuntersuchung wird. Die Überprüfung des Gangs könnte ein kurzer und einfacher Test sein, um Ärzten Hinweise zu liefern, ob es gesundheitsgefährdende Veränderungen gibt. Sollte die Ganganalyse Hinweise liefern, könnten dann tiefergehende Untersuchungen wie eine Blutprobe, etc. folgen.

Bei den Studienergebnissen muss man beachten, dass sie keine Rückschlüsse erlauben, ob zum Beispiel Schlafprobleme und andere Krankheiten zu bestimmten Bewegungsmustern führen. Da es sich um eine Querschnittsanalyse handelte, bei der die Teilnehmer zu einem einzigen Zeitpunkt untersucht wurden, können die Forscher nicht feststellen, welche Veränderungen zuerst auftraten. Hierzu braucht es weitere Studien. Eine weitere Einschränkung der Studie: Bei den Probanden handelte es sich um gesunde, erwachsene Personen aus Israel. Deswegen lassen sich diese Ergebnisse nicht auf alle Personengruppen und Ethnien übertragen.

Die verwendete Tiefenkamera und die dazugehörige Software zur Bewegungsanalyse stammten von der Firma Newton Tech. Der Hersteller war Mitautor der Studie. Deswegen braucht es noch unabhängige Tests sowie klinische Studien, um einen medizinischen Einsatz der Ganganalyse zu ermöglichen.

Auch interessant: Wie lang Sie am Stück mindestens gehen sollten

Weitere Studie liefert erste Hinweise auf einen Zusammenhang zwischen Gang und psychischer Gesundheit

Derzeit wird viel zum Thema „Gang und Gesundheit“ geforscht. Ob die Art, wie wir gehen, auch etwas über unsere psychische Gesundheit verrät, untersuchten Forscher der University of Miami im Projekt „MindStep“.3 An zwei Teilstudien nahmen insgesamt rund 95 Studierende teil. Über sechs Wochen kamen sie viermal ins Labor. Dort beantworteten sie Fragen zu ihrem psychischen Befinden und lösten beim Gehen verschiedene Denkaufgaben. Kameras zeichneten dabei ihre Bewegungen auf. Rund ein Viertel der Teilnehmer berichtete von Angst- oder depressiven Symptomen. 

Eine erste Auswertung aus einer der beiden Teilstudien deutet darauf hin, dass bei Studierenden mit selbstberichteten depressiven Symptomen die Schrittlänge stärker schwankte, wenn sie beim Gehen schwierigere Gedächtnisaufgaben lösten. Unterschiede im Gangbild beobachtete das Team auch bei Studierenden, die dazu neigten, ihre Gefühle zu unterdrücken.

Letztendlich hoffen die Forscher, dass Veränderungen im Gangbild ein weiteres Anzeichen dafür sein könnten, dass jemand unter Schwankungen der psychischen Gesundheit leidet. So werden bei Angstzuständen und Depressionen heutzutage Veränderungen im Schlaf- oder Appetitverhalten herangezogen. In Zukunft könnten womöglich auch Bewegungsaspekte eine Rolle spielen.

Quellen

  1. Gabet, A., Kohn, S., Lutsker, G., et. al. (2026) A gait foundation model for prediction of multisystem health phenotypes from 3D skeletal motion. Nature Medicine. ↩︎
  2. Human Phenotype Project: The World's Deepest Phenotype Multi-Omic Study (aufgerufen am 18.11.2026) ↩︎
  3. University of Miami: MindStep: AI Gait Monitoring of Mental Health (aufgerufen am 18.11.2026) ↩︎

Sie haben erfolgreich Ihre Einwilligung in die Nutzung unseres Angebots mit Tracking und Cookies widerrufen. Damit entfallen alle Einwilligungen, die Sie zuvor über den (Cookie-) Einwilligungsbanner bzw. über den Privacy-Manager erteilt haben. Sie können sich jetzt erneut zwischen dem Pur-Abo und der Nutzung mit Tracking und Cookies entscheiden.

Bitte beachten Sie, dass dieser Widerruf aus technischen Gründen keine Wirksamkeit für sonstige Einwilligungen (z.B. in den Empfang von Newslettern) entfalten kann. Bitte wenden Sie sich diesbezüglich an datenschutz@axelspringer.de.