تصنيف أنماط إصابة الرباط الصليبي الأمامي عبر تحليل الجري: نهج التعلم الآلي

لماذا تهم إصابات الركبة للناشطين

بالنسبة للعديد من الرياضيين والنشطين، يمكن أن يكون تمزق رباط الركبة نقطة تحول تغيّر طريقة حركتهم مدى الحياة. الرباط الصليبي الأمامي (ACL) هو مثبت أساسي في الركبة، والتمزقات شائعة في الرياضات التي تتضمن تغيير اتجاه مفاجئ، القفز، والتوقفات الحادة. حتى بعد الجراحة والأشهر من التأهيل، كثيرون لا يعودون إلى مستوى لعبهم السابق، وقد يواجهون خطرًا أعلى لتطوّر التهاب مفاصل مبكر. تستكشف هذه الدراسة ما إذا كانت الحواسيب قادرة على رصد تغيّرات دقيقة في طريقة الجري بعد جراحة ACL؛ تغيّرات قد تكون دقيقة جدًا بحيث لا تلاحظها العين أو الاختبارات التقليدية.

كيف درست الدراسة أنماط الجري

جند الباحثون 30 رياضيًا شابًا: 15 منهم سليمون و15 خضعوا لعملية ترميم الرباط الصليبي الأمامي خلال الأشهر الخمس إلى الثمانية الماضية. كان الجميع خالين من الألم، وحصلوا على موافقة معالجيهم، ويتنافسون في مستويات مماثلة في رياضات مثل كرة القدم، فوتسال، فنون قتالية، والكرة الطائرة. ركض كل رياضي على جهاز مشي مزود بأدوات قياس بسرعة ثابتة بينما سجّلت حساسات تحت حزام الجهاز كيفية تلامس أقدامهم للسطح. من هذا الإعداد قاس الفريق خصائص أساسية للجري مثل مدة كل خطوة وكل خطوة كاملة (الخطوة/الخطوة المزدوجة)، مدة تلامس القدم بالأرض وفترة التأرجح، طول كل خطوة، وسرعة تغير القوى وتحرك مركز الضغط أسفل القدم.

تحويل الحركة المعقدة إلى بيانات قابلة للاستخدام

الجري فعل متكرر للغاية، لذا حتى تغيّرات صغيرة في التوقيت أو الحمل يمكن أن تتراكم على مدى آلاف الخطوات. سجّل جهاز المشي 2470 خطوة مفردة عبر جميع المشاركين، مما خلق مجموعة بيانات غنية لكنها معقدة. لفهمها، قام الباحثون أولًا بتوحيد الأرقام بحيث لا تهيمن أي قياسة منفردة لمجرد أن مقياسها أكبر. ثم استخدموا طريقة رياضية لضغط البيانات مع الاحتفاظ بمعظم التباين المهم. من هناك ركزوا على 11 ميزة رئيسية للجري، بما في ذلك زمن الخطوة، زمن التلامس (stance time)، زمن التأرجح (swing time)، طول الخطوة والطول الكامل، أعلى قوة عمودية، سرعة ارتفاع هذه القوة، وسرعة تحرك الضغط للأمام والجوانب تحت القدم.

السماح للحواسيب بفرز العدّائين السليمين والمصابين

بوجود هذه الميزات المقاسة، درّب الفريق عدة أنواع من البرمجيات المعروفة بنماذج التعلم الآلي لتمييز العدّائين السليمين عن من لديهم تاريخ إصابة بالـACL. اختبروا مجموعة من الأدوات الشائعة، بما في ذلك أشجار القرار، الغابات العشوائية، آلات الدعم الناقلة (SVM)، والشبكات العصبية. لتجنّب تضليل أنفسهم، استخدموا نهج اختبار دقيق حيث تُبقى خطوات أي شخص بالكامل إما في مجموعة التدريب أو بالكامل في مجموعة الاختبار. بهذه الطريقة، كان على النماذج أن تعمّم على أشخاص جدد، لا مجرد خطوات جديدة لنفس الشخص. كان الأداء الأفضل لطريقة بسيطة تسمى الجيران الأقرب K (K nearest neighbors)، التي تقارن كل خطوة جديدة بخطوات مماثلة سبق رؤيتها. صنفت الخطوات بدقة عالية جدًا وبقدرة شبه مثالية على فصل المجموعتين.

ما الذي يهم أكثر في خطوة العدّاء

بخلاف تصنيف العدّائين كسليمين أو مُعاد لهم ترميم الـACL، رغب المؤلفون في معرفة أي أجزاء من نمط الجري تحمل أكثر المعلومات فائدة. عبر عدة نماذج، تصدّرت ميزات التوقيت القائمة. كان زمن الخطوة، زمن التلامس، وزمن التأرجح مهمة بشكل خاص، إلى جانب سرعة تحرك مركز الضغط للأمام تحت القدم. تتوافق هذه النتائج مع أبحاث سابقة تُظهر أنه بعد جراحة ACL، يغيّر الناس غالبًا مدة وقوفهم على كل ساق وكيفية تحميل مفاصلهم، حتى إن بدا جريهم طبيعيًا للمراقب. بينما كان نموذج شجرة القرار الأبسط أسهل للفهم، لم يتعامل مع تعقيد البيانات كما فعلت النماذج التي تجمع عدة أشجار أو تعتمد على عدة جيران.

ما الذي قد يعنيه هذا لإعادة التأهيل والعودة إلى الرياضة

تشير الدراسة إلى أن بيانات جهاز المشي المجمّعة بعناية، مقرونة بتحليل حاسوبي حديث، يمكن أن تكشف تغيّرات باقية في طريقة الجري بعد ترميم الرباط الصليبي الأمامي. بالنسبة للرياضيين اليوميين، قد يترجم ذلك يومًا إلى فحوصات سريعة قائمة على البيانات أثناء التأهيل تبيّن ما إذا كانت خطواتهم قد عادت فعلاً إلى طبيعتها أو ما تزال تحمل أنماطًا مرتبطة بضغط إضافي على الركبة. يمكن للأطباء التركيز على تحسين التوقيت والتنسيق عبر الخطوة بدلاً من التركيز فقط على القوة أو مستويات الألم. إذا تم دمجها في أجهزة قابلة للارتداء أو أنظمة تغذية راجعة في الزمن الحقيقي، فقد تساعد نماذج مماثلة على اكتشاف مخاطر إعادة الإصابة مبكرًا وتوجيه خطط تمرين أكثر تخصيصًا، بهدف طويل الأمد تقليل فرصة مشاكل الركبة المزمنة مثل التهاب المفاصل المبكر.

الاستشهاد: Tavakoli, H., Ataabadi, P.A., Khezri, D. et al. Classification of anterior cruciate ligament injury profiles through running analysis: a machine learning approach. Sci Rep 16, 15010 (2026). https://doi.org/10.1038/s41598-026-44264-3

الكلمات المفتاحية: إصابة الرباط الصليبي الأمامي, تحليل المشية, التعلم الآلي, ميكانيكا حركية للجري, إعادة تأهيل رياضي