استخدام التعلم الآلي لتحديد مؤشرات حركية حيوية في الأطراف السفلية تتنبأ بالتمزق في نموذج مُثبت من الأرجل الميتة لإصابة الرباط الصليبي الأمامي

لماذا هذا مهم للركب أثناء الحركة

بالنسبة للرياضيين والجنود والأشخاص النشطين، قد تكون إصابة تمزق الرباط الصليبي الأمامي (ACL) في الركبة إصابة تغير الحياة، وغالبًا ما تتطلب جراحة وتأهيلًا طويلًا. الطب اليوم بارع جدًا في التأكد من تمزق الرباط بعد حدوثه، لكنه أقل قدرة على تحذير الشخص من أن ركبته على وشك الفشل. تستكشف هذه الدراسة ما إذا كان التعلم الآلي — وهي برامج حاسوبية تتعلّم الأنماط من البيانات — قادرًا على اكتشاف الأحمال الخطرة على الركبة قبل حدوث التمزق ببضع ملليثوانٍ، وما إذا كانت تلك الإشارات التحذيرية يمكن في نهاية المطاف التقاطها بواسطة أجهزة استشعار قابلة للارتداء عملية.

كيف أعاد الباحثون خلق إصابات الركبة

بدلاً من دراسة الإصابات فقط بعد حدوثها لدى لاعبين حقيقيين، استخدم الفريق جهازًا ميكانيكيًا متخصصًا وأرجلًا متبرعًا بها من متوفين لإعادة خلق تمزقات ACL واقعية في المختبر. دفع المحاكي وزوّج كل ركبة في عدة اتجاهات معًا، مقلدًا القوى المعقدة التي تظهر عندما يستقبل الرياضي هبوطًا من قفزة أو يغير الاتجاه. سجّلت مستشعرات دقيقة على الرباط الصليبي الأمامي والهياكل المحيطة مدى تمدد الرباط، بينما قاست منصات القوة وخلايا التحميل اتجاهات وحجوم القوى عند القدم والركبة. من 51 عينة، استخرجوا عشرات القياسات عند لحظات رئيسية حول ملامسة الأرض، إلى جانب معلومات أساسية مثل الجنس والطول والوزن.

تحويل الحركة الخام إلى تسميات مخاطرة

لجعل هذه البيانات مفيدة للنماذج الحاسوبية، صنّف الباحثون كل تصادم على أنه ينتمي إلى واحدة من عدة مراحل: بوضوح قبل أي ضرر (“ما قبل التمزق”)، التجربة المفردة التي تسبق فشل الرباط مباشرة (“التجربة قبل التمزق”), التمزق الفعلي (“التمزق”), ومرحلة لاحقة “ما بعد التمزق”. للتنبؤ في الزمن الحقيقي، فإن المراحل الثلاث الأولى فقط ذات مغزى، لذلك أُزيلت بيانات ما بعد التمزق. بعد ذلك أنشأوا أربع مجموعات بيانات مترابطة. اثنتان شملت جميع 53 قياسًا من مستوى المختبر؛ والأخريان قلّصتا ذلك إلى 13 إشارة يمكن أن تأتي عمليًا من أجهزة قابلة للارتداء، مثل القوى عند ملامسة القدم الابتدائية. في كل زوج، استخدمت نسخة واحدة ثلاث فئات (ما قبل التمزق، التجربة قبل التمزق، التمزق)، بينما دمجت النسخة الأخرى الفئتين الأخيرتين إلى تقسيم أبسط: آمن مقابل “خطر مرتفع”.

تعليم الآلات التعرف على أنماط الخطر

اختبر الفريق ثمانية أساليب شائعة في التعلم الآلي، تتراوح من الانحدار اللوجستي البسيط إلى أشجار القرار والغابات العشوائية وتعزيز التدرج والتحليل التمايزي الخطي. درّبوا هذه النماذج على بيانات معظم الركب ثم قيّموا الأداء على ركاب لم ترها النماذج من قبل، مما منع الخوارزميات من مجرد حفظ العينات الفردية. بالنسبة للبيانات الغنية المعملية، صنّفت أفضل النماذج نحو 80–87 بالمئة من التصادمات بشكل صحيح ضمن المراحل الثلاث المفصّلة. عندما بُسّطت التسميات إلى مجرد “ما قبل التمزق” مقابل “خطر مرتفع”، ارتفعت الدقة إلى نحو 92–95 بالمئة. مع بيانات الطراز القابلة للارتداء المقتضبة، كانت دقة الثلاث فئات أقل، حوالي 60–77 بالمئة، لكنها ارتفعت مرة أخرى إلى نحو 81–83 بالمئة عند دمج الفئات إلى آمن مقابل خطر مرتفع.

ما الذي وجده الحاسوب داخل الحركة

عبر جميع النماذج ومجموعات البيانات، ظهر نمط لافت: كانت الدلائل الأكثر معلوماتية قادمة من القوى المبكرة جدًا أثناء الهبوط. كانت القوى المقاسة بعد 33 مللي ثانية فقط من ملامسة القدم للأرض، لاسيما تلك التي تدفع وتسحب الساق للأمام–الخلف والعمودي، مصنفة مرارًا ضمن الميزات الأكثر أهمية. كما كانت ذروة لحظات الالتواء والانثناء عند الركبة، والقوى عند ملامسة الأرض الأولية، ذات أهمية أيضًا. بالمقابل، لعبت السمات الديموغرافية مثل الجنس أو الطول دورًا ثانويًا بمجرد توفّر هذه التوقيعات السريعة للقوة. بدت مرحلة “التجربة قبل التمزق” ومرحلة “التمزق” متشابهتين حركيًا جدًا، مما يفسر صعوبة النماذج في التمييز بينهما لكنها استطاعت فصل كلتيهما عن تجارب ما قبل التمزق الآمنة بثبات. ومن منظور عملي، يشير هذا إلى أنه بمجرد دخول الركبة في نمط تحميل خطير، فإن النافذة بين «قرب التمزق» و«التمزق» قصيرة جدًا.

من المقاعد المخبَرية إلى الدعامات الذكية والملاعب

بالنسبة لغير المختصين، الرسالة الرئيسية هي أن ركبنا تبثّ إشارات ضيقها في الأجزاء القليلة الأولى من الألف من الثانية بعد الهبوط، ويمكن للنماذج الحاسوبية أن تتعلّم قراءة تلك الإشارات الدقيقة. من خلال التركيز على قوى الاصطدام المبكرة — طريقة دفع الساق وسحبها والتواءها عند الملامسة الأولية — يمكن لأنظمة التعلم الآلي إشارة متى تتحول الركبة من تحميل طبيعي إلى حالة عالية المخاطر، حتى ببيانات بسيطة بما يكفي لأجهزة قابلة للارتداء. أجريت الدراسة على ركاب متبرع بها وفي عينات محدودة الحجم، لذا سيحتاج تحويل النتائج إلى رياضيين أحياء إلى المزيد من العمل ومجموعات بيانات أكبر وربما خوارزميات أكثر تقدمًا. ومع ذلك، تضع الدراسة الأساس لدعامات ذكية مستقبلية أو مرشحات داخل الأحذية أو أنظمة ميدانية على جانب الملعب تحذر اللاعبين والمدربين عندما يقترب نمط الحركة من الكارثة، مما يحوّل رعاية ACL من نموذج جراحي تفاعلي بعد التمزق إلى وقاية استباقية من الإصابات.

الاستشهاد: Khorrami, P., Braimoh, T., Reis, D.A. et al. Utilization of machine learning to identify lower extremity biomechanical predictors of rupture in a validated cadaveric model of ACL injury. Sci Rep 16, 8711 (2026). https://doi.org/10.1038/s41598-026-43183-7

الكلمات المفتاحية: تنبؤ إصابة الرباط الصليبي الأمامي, علم الحركة في الرياضة, التعلم الآلي في الطب, أجهزة استشعار قابلة للارتداء, الوقاية من إصابات الركبة