Rückenschmerz-Typ per Video erkennen – was bisher Fachleute machten, schafft KI jetzt in Sekunden

Bewegungsmuster bei Rückenschmerzen klassifizieren – das machen spezialisierte Fachleute in der Physiotherapie seit Jahren. Durch Beobachten, Testen, Bewerten. Dauert lange, kostet viel, und zwei Fachleute kommen nicht immer zum selben Ergebnis. Die BackTracker-Studie (Liu et al., 2026) zeigt jetzt: Ein neuronales Netz, trainiert auf die Klassifikation einer Expertin, erledigt denselben Job aus einem einfachen Video – in Sekunden und mit 92 % Genauigkeit.

Worum geht’s überhaupt?

Nicht-spezifische Rückenschmerzen (NSLBP) – also Rückenschmerzen ohne klaren Bandscheibenvorfall oder Bruch – betreffen fast jeden irgendwann. Das Problem: „Nicht-spezifisch“ heißt nicht „alle gleich.“ Hinter den Schmerzen stecken unterschiedliche Bewegungsmuster, und je nach Muster brauchst du komplett andere Übungen.

Vereinfacht gibt es zwei Haupttypen. Beim Flexionsmuster (FP) beugt sich deine Lendenwirbelsäule zu stark nach vorne – typisch für Leute, die viel sitzen und beim Bücken fast nur aus dem Rücken arbeiten statt aus der Hüfte. Hier helfen tendenziell Übungen, die die Hüftbeugung verbessern und die LWS stabilisieren – etwa Hip Hinges oder kontrollierte Deadlift-Varianten. Beim Extensionsmuster (EP) ist es umgekehrt: Deine LWS überstreckt im Stehen oder bei Rückbeugen zu stark. Da geht es eher um Core-Stabilisierung und posteriore Beckenkippung – Dead Bugs, Planks, Pelvic Tilts. (Wichtig: Das sind Tendenzen, keine Therapieempfehlungen. Welche Übungen für dich passen, hängt von mehr ab als nur dem Bewegungsmuster.) Das klingt simpel, aber genau hier liegt das Risiko: Wer ein Flexionsproblem hat und Extensionsübungen macht, kann sich verschlechtern statt verbessern. Der Typ entscheidet über die Therapie – und über die Übungen, die du besser weglässt.

Diese Klassifikation gibt es seit Jahren – nur eben manuell, durch geschulte Fachleute. BackTracker automatisiert genau diesen Schritt.

So funktioniert’s: Kamera, Silhouette, KI

Der Ablauf ist erstaunlich simpel. 90 Betroffene mit Rückenschmerzen wurden seitlich gefilmt, während sie sich nach vorne und nach hinten beugten – ganz normale Bewegungen, keine akrobatischen Tests. Aus den Videos extrahierte die Software automatisch Schwarz-Weiß-Silhouetten des Rückens: 80 Bilder pro Person bei verschiedenen Beugewinkeln. Die KI sieht also nicht dein Gesicht, nicht deine Kleidung – nur die Kontur deines Rückens in Bewegung.

Diese Silhouetten fütterten ein neuronales Netz, das lernte, FP von EP zu unterscheiden. Das Lernen funktioniert wie bei jedem Supervised-Learning-Ansatz: Eine erfahrene Physiotherapeutin hat vorher alle Teilnehmenden manuell klassifiziert, und die KI übernimmt diese Mustererkennung. Sie sucht sich selbst die relevanten Merkmale – Krümmung, Winkelverläufe, Koordination zwischen Hüfte und Lendenwirbelsäule.

So sieht die KI den Rücken: Schwarz-Weiß-Silhouetten bei der Rückwärtsbeuge. Links ein Flexionsmuster (FP), rechts ein Extensionsmuster (EP). Die Unterschiede in der Lendenwirbelsäulen-Krümmung sind das, was das neuronale Netz klassifiziert.

Die Ergebnisse: 92 % – und Fragebögen bringen nichts

Das Modell erkennt den richtigen Rückenschmerz-Typ aus einem Video der Rückwärtsbeuge in 92 % der Fälle. Zum Vergleich: In der Literatur liegt die typische Übereinstimmung, wenn zwei verschiedene Fachleute unabhängig voneinander dieselbe Person beurteilen, darunter. Heißt konkret: Die KI reproduziert die Einschätzung der Expertin konsistenter, als es zwei Fachleute untereinander typischerweise tun.

Klassifikationsgenauigkeit nach Datenquelle – Daten: Liu et al. (2026)

Der spannendste Punkt in der Tabelle: Fragebögen zur Selbsteinschätzung – „Wie stark sind deine Schmerzen?“, „Was kannst du nicht mehr?“ – verschlechtern die Klassifikation sogar, wenn man sie zu den Videodaten hinzufügt. Deine Selbstwahrnehmung und dein tatsächliches Bewegungsmuster passen offenbar schlecht zusammen. Die Kamera sieht, was du nicht spürst.

Und warum schlägt die Rückwärtsbeuge die Vorwärtsbeuge? Weil beim Rückbeugen die Lendenwirbelsäule besonders deutlich zeigt, ob sie zu viel oder zu wenig mitarbeitet. Bei der Vorwärtsbeuge mischen Hüftflexibilität und Hamstring-Spannung das Bild auf – mehr Rauschen, weniger klares Signal.

Was heißt das für dich?

Stell dir folgendes Szenario vor: Du hast Rückenschmerzen, stellst dein Handy auf ein Regal, filmst dich bei einer Rückwärtsbeuge, und eine App sagt dir: „Extensionsmuster – hier sind drei Übungen, die gezielt darauf einzahlen. Und diese zwei Übungen bitte weglassen.“ Das ganze kostet nichts und dauert Minuten. Das ist das Ziel dieser Forschung.

Davon sind wir noch nicht ganz da. BackTracker ist eine Studie, keine App im Store. Aber die Technik dahinter ist keine Raketenwissenschaft. Pose Estimation per Handy-Kamera gibt es längst – jede zweite Fitness-App nutzt das, um deine Squat-Form zu bewerten. Der Sprung von „zählt deine Kniebeugen“ zu „erkennt dein Rückenschmerzmuster“ ist konzeptionell kleiner als man denkt.

Praktisch brauchst du für eine brauchbare Aufnahme: seitliche Kameraposition, eng anliegende Kleidung (kein weites Shirt, das die Rückenkontur verdeckt), und genug Abstand, damit der ganze Körper im Bild ist. Oberkörperfrei ist nicht nötig – ein Sportshirt reicht, solange die KI deine Wirbelsäulenkontur sauber erkennen kann.

Die ehrliche Einordnung

92 % Genauigkeit klingt gut – und ist es auch. Aber ein paar Dinge solltest du wissen, bevor du zu viel hineininterpretierst.

Die Studie hatte 90 Teilnehmer. Für einen Machbarkeitsnachweis ist das solide, für ein fertiges Produkt wäre es zu wenig. Außerdem hat eine einzige Physiotherapeutin alle Teilnehmenden klassifiziert. Das ist methodisch sauber – keine widersprüchlichen Urteile – aber es heißt auch: Die KI lernt die Einschätzung einer Person, nicht eine universelle Wahrheit. Ob andere Expertinnen oder Experten bei allen Teilnehmenden identisch geurteilt hätten, bleibt offen.

Und der wichtigste Punkt: Die Studie beweist, dass die Klassifikation funktioniert – nicht, dass die daraus abgeleiteten Übungen tatsächlich schneller helfen als Standardtherapie. „Wir können den Typ erkennen“ ist nicht dasselbe wie „Wir wissen, dass typgerechte Übungen besser wirken.“ Dieser zweite Schritt muss noch kommen.

Der DIY-Winkel: Könnte man das selbst bauen?

Kurze Antwort: Ja, die technischen Bausteine sind Open Source und frei verfügbar. Google’s MediaPipe erkennt Körperpunkte aus jedem Handyvideo in Echtzeit. OpenCV verarbeitet die Videoframes. Und ein kleines neuronales Netz in PyTorch oder sogar ein regelbasierter Ansatz mit Scikit-learn kann Winkelverläufe klassifizieren. Den Code dafür generiert dir Claude oder ChatGPT in einer Stunde.

Aber – und das ist der entscheidende Haken – der Code ist nicht das Problem. Das Problem ist: Woher weiß die KI, was „richtig“ und was „falsch“ ist? Sie braucht gelabelte Daten. Jemand mit Expertise muss Videos anschauen und sagen: „Das ist FP, das ist EP.“ Ohne diese Labels trainierst du ein System, das zwar Muster erkennt, aber nicht weiß, welche Muster relevant sind. Das Prompt-Paradoxon in Reinform: Ohne Fachwissen keine guten Trainingsdaten.

Für mich persönlich ist das ein Projekt, das ich ausprobieren will. Zu viel Sitzen, zu wenig Bewegung im Alltag – ja, die offensichtliche Lösung wäre mehr davon, aber bis dahin ist das eine klassische Voraussetzung für ein Flexionsmuster. Ein persönlicher Posture Tracker, der über Wochen aufzeichnet, wie sich mein Lumbopelvic Rhythm (das Verhältnis von Hüft- zu LWS-Beugung) verändert, wäre ein konkretes Feedback-Tool. Kein klinisch validiertes System, aber ein funktionierender Prototyp, der mir zeigt, ob meine Mobilisierungsübungen tatsächlich etwas verändern – oder ob ich mir das nur einbilde. Wenn daraus etwas wird, liest du hier davon.

Fazit

BackTracker liefert einen überzeugenden Proof of Concept: KI kann aus Videoaufnahmen Rückenschmerz-Typen erkennen – schnell, skalierbar und mit hoher Trefferquote. 90 Teilnehmende, zwei Phänotypen, kein Langzeitvergleich – die Studie ist kein fertiges Produkt. Aber die Richtung stimmt, und die Werkzeuge sind Open Source. Wer neugierig ist: MediaPipe installieren, Handy aufstellen, Rückwärtsbeuge filmen, Keypoints plotten. In einer Stunde siehst du, was die KI sieht.

92 % Genauigkeit aus einem Video einer Rückwärtsbeuge. Kein teures Motion-Capture, kein Labor – eine Kamera und ein neuronales Netz. Aber vergiss nicht: Die KI erkennt Muster, sie versteht keinen Schmerz.

Quelle: Liu Z, Hicks Y, Sheeran L. BackTracker: Machine learning to identify kinematic phenotypes for personalised exercise management in non-specific low back pain. Int J Med Inform. 2026;211:106335. DOI: 10.1016/j.ijmedinf.2026.106335 | Abstract auf PubMed (Volltext nicht frei zugänglich)