Forschende des Karlsruher Instituts für Technologie (KIT) entwickelten ein KI-Modell zur Untersuchung von Bewegungsabläufen. Diese Analyse der Gangbiomechanik ermöglicht eine Personalisierung von Therapie und Rehabilitation bei Personen mit Hüftgelenksarthrose. Die Ergebnisse wurden in der Zeitschrift Arthritis Research & Therapy veröffentlicht (DOI: 10.1186/s13075-025-03709-2).
Das Forschungsteam am KIT hat ein KI-basiertes Modell entwickelt, das Bewegungsvorgänge analysiert und so die Gangbiomechanik individuell auswertet. Dadurch lässt sich vorhersagen, wie gut Patientinnen und Patienten nach einer Hüftgelenks-Operation wieder laufen können. Auch die Rehabilitation lässt sich gezielt auf die Bedürfnisse der Operierten anpassen. Perspektivisch könnten ähnliche KI-gestützte Ansätze auch auf andere Gelenke übertragen werden.
Im Jahr 2024 erhielten rund 200.000 Menschen in Deutschland ein künstliches Hüftgelenk, womit dieser Eingriff zu den häufigsten orthopädischen Operationen zählt. Die Ursache ist meist eine Hüftgelenksarthrose. Betroffene erholen sich bezüglich Beweglichkeit und Schmerzfreiheit nach einer Hüfttotalendoprothese unterschiedlich.
Unterschiede der Gangbiomechanik verstehen
Diese individuellen Unterschiede stehen im Mittelpunkt eines von der Deutschen Forschungsgemeinschaft (DFG) geförderten Kooperationsprojektes „Verbesserung der operativen Behandlungsergebnisse bei Hüftgelenksarthrose auf der Grundlage biomechanischer und biochemischer Erkenntnisse“. Daran beteiligt sind die Klinik für Unfallchirurgie und Orthopädie der Universitätsmedizin Frankfurt sowie das Institut für Sport und Sportwissenschaft (IfSS) des KIT.
KI-Modell zur Analyse von Bewegungsabläufen
Die Forschenden am KIT entwickelten auf Basis von Daten der Gangbiomechanik von Betroffenen mit Hüftgelenksarthrose vor und nach der OP ein KI-Modell zur Analyse der Bewegungsabläufe. Die Daten wurden durch das Team der Universitätsmedizin Frankfurt erhoben und aufbereitet sowie dem KIT für die KI-basierte Auswertung bereitgestellt.
Hochkomplexe biomechanische Daten
„Biomechanische Daten, die Bewegungen biologischer Systeme mit Methoden der Mechanik, Anatomie und Physiologie beschreiben, sind hochkomplex“, so Dr. Bernd J. Stetter, Leiter der Forschungsgruppe Muskuloskelettale Gesundheit und Technologie am IfSS des KIT sowie korrespondierender Autor der Studie. „Mit unserem KI-Modell machen wir die Daten für Anwendungen nutzbar. Dies ist ein Schritt hin zur personalisierten Medizin.“ Das Modell wurde speziell für künstliche Hüftgelenke trainiert und ausgerichtet; künftig könnte es auf andere Gelenke und Erkrankungen übertragen werden. Derartige Modelle könnten Ärztinnen und Ärzte unterstützen und so realistische Erwartungen für Betroffene vermitteln, ebenso wäre eine individuelle Rehabilitation nach OP möglich.
Studie: Verschiedene Muster des Gehens
Im Rahmen der Studie wurden die Gangbiomechanik von 109 Patientinnen und Patienten mit einseitiger Hüftgelenksarthrose vor der OP ausgewertet; nach dem Eingriff wurden 63 von ihnen erneut untersucht. Zusätzlich wurde eine Kontrollgruppe mit 56 gesunden Personen eingebunden. Von allen Teilnehmenden wurden dreidimensionale Gelenkwinkel und -belastungen anhand muskuloskelettaler Modellierung bestimmt.
Die KI-basierte Auswertung zeigte, dass sich die Patientinnen und Patienten mit Hüftgelenksarthrose in drei Gruppen mit unterschiedlichen Mustern von Gangveränderungen einteilen lassen. Bestimmte biomechanische Gangparameter, wie Winkel und Belastungen im Hüftgelenk, waren besonders aussagekräftig für die Gruppenzuordnung. Unterschiede in Alter, Größe, Gewicht, Gehgeschwindigkeit sowie im Schweregrad der Arthrose wurden ebenfalls in den drei Gruppen festgestellt.
Präzise Therapieempfehlungen
Die drei Gruppen reagierten unterschiedlich auf die OP: Bei manchen Patientinnen und Patienten verbesserte sich die Gangbiomechanik durch das künstliche Hüftgelenk mehr, bei anderen weniger. Dr. Stetter erläutert: „Mit unserem Modell lässt sich voraussagen, wer von der Operation besonders profitieren wird – und wer danach zusätzlich intensive Therapie benötigen wird. Da die Algorithmen erklärbar sind und Transparenz bieten, versprechen wir uns von dem Modell eine hohe Akzeptanz im klinischen Bereich.“
Quelle: Pressemitteilung Karlsruher Institut für Technologie
Originalpublikation: Stetter BJ, Dully J, Stief F, Holder J, Steingrebe H, Zaucke F, et al. Explainable machine learning for orthopedic decision-making: predicting functional outcomes of total hip replacement from gait biomechanics. Arthritis Res Ther 2025; 27(1): 229. doi: 10.1186/s13075-025-03709-2.
