《Nature Medicine》三千三百二十八人、深度攝影機拍五種動作：走路的樣子同時反映全身十八個系統，研究團隊主張把步態當成「生命徵象」

背景：走路早就被當成「第六個生命徵象」

體溫、脈搏、呼吸、血壓、血氧是傳統的生命徵象。十幾年前就有學者主張，走路速度應該算第六個——因為它會隨著全身狀況變差而變慢。但這篇論文指出一個問題：過去的步態研究幾乎都把走路當成「某個特定疾病的症狀」，而不是反映全身狀態的訊號。研究團隊引用一篇回顧指出，兩千七百篇裝設儀器的步態研究裡，超過百分之九十九只處理技術問題或單一疾病的問題。

研究怎麼做的

這項研究由以色列魏茨曼研究院 Eran Segal 的團隊執行，第一作者是 Gabet，十一月六日刊在《Nature Medicine》。受試者是三千三百二十八位接受深度體檢的成人，來自 Human Phenotype Project 這個世代研究。

他們用一台深度攝影機（會記錄立體位置的攝影機，不只是平面影像），拍下每個人做五種動作：自選速度的跑步機走路、時速三公里的跑步機走路、原地踏步、從坐到站，以及閉眼雙腳併攏站立的羅姆伯格測試。

關鍵的技術差別在這裡。傳統做法是算出「步頻」、「步幅」這類人為定義的數字，論文稱為 engineered features。這個團隊改用自我監督學習，把全身關節一起隨時間移動的樣子，轉換成一組數字，論文稱為 learned embeddings，也就是「學到的嵌入表示」。簡單說：不是先決定要量哪幾項，而是讓模型自己學會「這個人動起來是什麼樣子」。

結果發現什麼

第一，學到的嵌入表示比人為定義的特徵更準。預測年齡的皮爾森相關係數是零點六九，預測身體質量指數是零點九一，預測內臟脂肪面積是零點八三。這三項，在男女兩性的所有五種動作上，嵌入表示都贏過人為特徵。

第二，覆蓋面很廣。在測試的三千二百一十項健康指標中，嵌入表示顯著預測了一千八百八十七項，包括握力、睡眠品質這類差異很大的項目。

第三，它帶來的是額外資訊，不是重複。研究設了一個只用年齡、身體質量指數、內臟脂肪和身高的基準模型；加入步態資訊後，男性的十八個身體系統全部預測更準，女性是十八個中的十七個，另外臨床診斷與用藥情況的預測也變好了。

第四，身體不同部位說的是不同的事。研究用「解剖部位移除分析」，把某些部位的資料拿掉再看預測會掉多少。結果是：腿部動作主導代謝與衰弱的預測，軀幹動作則承載睡眠與生活型態的資訊。

研究團隊的結論是，步態是一個獨立的、跨系統的生物訊號，因此主張把步態分析納入常規臨床評估，當成一個可大量施作、而且受試者不必費力配合的生命徵象。

一個誠實的限制

這是預測相關性的研究，不是追蹤好幾年看誰後來生病的研究。所以它能說「走路的樣子和某個指標有關」，不能說「走路變慢就會得某個病」，也還沒證明照這樣篩檢能改善任何人的結果。受試者來自以色列的單一世代，人種、年齡結構、生活型態未必和台灣長輩一樣。設備是研究用的深度攝影機，不是手機。另外，論文全文需付費，本站是依期刊官方摘要整理，各系統的細部數字請見原文。

給媽媽的實際做法

一、在家量走路速度。在地上量出四公尺，用平常的速度走過去並計時。四公尺走超過五秒（大約每秒零點八公尺以下）就值得在下次回診時跟醫師提一下。

二、椅子起立測試。雙手抱胸，從椅子站起來再坐下，看連續五次要幾秒；超過十二秒偏慢，代表下肢肌力該練了。

三、研究發現腿部動作最能反映代謝與衰弱，所以練腿最實際：扶著椅背做半蹲、踮腳尖、原地抬膝，每天十到十五分鐘，比買保健食品有用。

四、軀幹動作反映睡眠與生活作息。如果走路時容易駝背、身體左右晃，除了核心肌力，也值得回頭檢查睡得好不好。

五、握力也是這篇預測的項目之一。開罐子變吃力、菜籃提不久、擰毛巾沒力，把這些具體例子記下來告訴醫師，比說「我最近沒力」有用。

六、走路突然變慢、變不穩，或出現半邊拖步、常跌倒，不要等。這可能是中風、帕金森、脊椎或內耳的問題，要就醫。

七、市面上若有號稱「AI 步態分析」的產品或服務，現階段不必花錢。這套方法仍在研究階段，還沒有證據顯示它能改善個人的健康結果。