3차원 골격 움직임 기반 보행 모델이 다양한 건강 상태를 예측함

A Gait Foundation Model Predicts Multi-System Health Phenotypes from 3D Skeletal Motion

보행은 점점 중요한 생체 지표로 인식되고 있지만, 현재의 접근 방식은 이를 특정 질병의 증상으로 취급하는 경향이 있습니다. 본 연구에서는 3,414명의 다양한 건강 상태를 가진 성인 데이터를 사용하여 심층 학습 기반의 3차원 골격 움직임 보행 모델을 개발했습니다. 이 모델은 깊이 카메라를 통해 5가지 운동 과제 수행 시 기록된 데이터를 기반으로 학습되었습니다. 학습된 임베딩은 기존의 특징 추출 방식보다 우수한 성능을 보였으며, 나이(Pearson r = 0.69), 체질량 지수(BMI, r = 0.90), 그리고 복부 지방 면적(r = 0.82)을 정확하게 예측했습니다. 임베딩은 총 3,210개의 표현형 목표 중 1,980개를 유의미하게 예측했으며, 나이, BMI, 복부 지방, 키를 보정했을 때, 남성의 경우 18개 신체 시스템 모두에서, 여성의 경우 17개 신체 시스템에서 보행이 독립적인 예측력을 제공했습니다. 또한, 임상 진단 및 약물 사용 예측 성능을 향상시켰습니다. 해부학적 분석 결과, 다리가 대사 및 노화 관련 예측에 중요한 역할을 하는 반면, 상체가 수면 및 생활 습관 관련 표현형을 반영하는 것으로 나타났습니다. 이러한 결과는 보행을 독립적인 다중 시스템 생체 신호로 확립하며, 이를 소비자용 비디오를 활용하여 확장 가능하고 수동적인 생체 지표로 활용할 수 있는 가능성을 제시합니다.

Gait is increasingly recognized as a vital sign, yet current approaches treat it as a symptom of specific pathologies rather than a systemic biomarker. We developed a gait foundation model for 3D skeletal motion from 3,414 deeply phenotyped adults, recorded via a depth camera during five motor tasks. Learned embeddings outperformed engineered features, predicting age (Pearson r = 0.69), BMI (r = 0.90), and visceral adipose tissue area (r = 0.82). Embeddings significantly predicted 1,980 of 3,210 phenotypic targets; after adjustment for age, BMI, VAT, and height, gait provided independent gains in all 18 body systems in males and 17 of 18 in females, and improved prediction of clinical diagnoses and medication use. Anatomical ablation revealed that legs dominated metabolic and frailty predictions while torso encoded sleep and lifestyle phenotypes. These findings establish gait as an independent multi-system biosignal, motivating translation to consumer-grade video and its integration as a scalable, passive vital sign.