Verwendung von maschinellem Lernen zur Identifizierung biomechanischer Prädiktoren für Rupturen der unteren Extremität in einem validierten Kadavermodell von ACL‑Verletzungen

Warum das für bewegte Knie wichtig ist

Für Sportler, Soldaten und aktive Menschen kann ein gerissenes vorderes Kreuzband (ACL) im Knie eine lebensverändernde Verletzung sein, oft mit notwendiger Operation und langer Rehabilitation. Die heutige Medizin ist sehr gut darin, nachträglich zu bestätigen, dass das Band gerissen ist, aber deutlich weniger in der Lage, jemanden zu warnen, dass sein Knie kurz davorsteht zu versagen. Diese Studie untersucht, ob maschinelles Lernen — Computerprogramme, die Muster aus Daten erlernen — gefährliche Belastungen am Knie Millisekunden vor einem Riss erkennen kann und ob diese Warnsignale letztlich von praktischen tragbaren Sensoren erfasst werden könnten.

Wie die Forschenden Knieverletzungen nachstellten

Anstatt Verletzungen nur nach ihrem Auftreten bei realen Sportlern zu untersuchen, nutzte das Team eine spezielle mechanische Vorrichtung und gespendete Kadaverbeine, um realistische ACL‑Risse im Labor zu rekonstruieren. Der Simulator drückte und verdrehte jedes Knie gleichzeitig in mehrere Richtungen und ahmte so die komplexen Kräfte nach, die auftreten, wenn ein Sportler von einem Sprung landet oder eine Richtungsänderung ausführt. Kleine Sensoren am ACL und den umliegenden Strukturen zeichneten auf, wie sehr das Band gedehnt wurde, während Kraftmessplatten und Lastzellen die Richtungen und Größen der Kräfte am Fuß und Knie erfassten. Aus 51 Präparaten extrahierten sie Dutzende Messwerte zu Schlüsselzeitpunkten rund um den Bodenkontakt sowie grundlegende Informationen wie Geschlecht, Größe und Gewicht.

Rohbewegungen in Risikokategorien verwandeln

Um diese Daten für Computermodelle nutzbar zu machen, kennzeichneten die Forschenden jeden Aufprall als zu einer von mehreren Phasen gehörend: eindeutig vor jeglicher Schädigung („Vor‑Ruptur“), der einzelne Versuch unmittelbar vor dem Versagen des Bandes („Versuch vor der Ruptur“), der eigentliche Riss („Ruptur“) und eine spätere „Nach‑Ruptur“-Phase. Für Echtzeit‑Vorhersagen sind nur die ersten drei Phasen relevant, sodass Nach‑Ruptur‑Daten entfernt wurden. Anschließend erstellten sie vier verwandte Datensätze. Zwei enthielten alle 53 laborrelevanten Messgrößen; die anderen beiden reduzierten dies auf 13 Signale, die realistisch von tragbaren Geräten stammen könnten, etwa Kräfte beim ersten Fußkontakt. In jedem Paar nutzte eine Version drei Klassen (Vor‑Ruptur, Versuch vor der Ruptur, Ruptur), während die andere die letzten beiden zu einer einfacheren Aufteilung zusammenführte: sicher versus „erhöhtes Risiko“.

Den Maschinen beibringen, Gefahrenmuster zu erkennen

Das Team testete acht gebräuchliche maschinelle Lernverfahren, von einfacher logistischer Regression über Entscheidungsbäume, Random Forests, Gradient Boosting bis hin zu linearer diskriminanter Analyse. Sie trainierten diese Modelle mit Daten von den meisten Knien und prüften dann die Leistung an Knien, die die Modelle nie zuvor gesehen hatten, um zu verhindern, dass die Algorithmen einzelne Präparate auswendig lernten. Für die umfangreichen Labor‑Daten klassifizierten die besten Modelle etwa 80–87 Prozent der Aufprälle korrekt in die drei detaillierten Phasen. Bei der Vereinfachung zu „Vor‑Ruptur“ versus „erhöhtes Risiko“ stieg die Genauigkeit auf etwa 92–95 Prozent. Mit den auf Wearables abgestimmten, reduzierten Daten war die Drei‑Klassen‑Genauigkeit geringer, etwa 60–77 Prozent, stieg jedoch wiederum auf ungefähr 81–83 Prozent, sobald die Klassen zu sicher versus erhöhtes Risiko zusammengeführt wurden.

Was die Computer in der Bewegung fanden

Über alle Modelle und Datensätze hinweg zeigte sich ein auffälliges Muster: Die informationsreichsten Hinweise kamen von sehr frühen Kräften beim Landen. Kräfte, gemessen nur 33 Millisekunden nach dem Bodenkontakt, insbesondere solche, die das Bein vor‑zurück und vertikal drücken oder ziehen, wurden wiederholt zu den wichtigsten Merkmalen gezählt. Spitzendrehmomente und Biegemomente am Knie sowie Kräfte direkt beim Erstkontakt spielten ebenfalls eine Rolle. Im Gegensatz dazu waren demografische Merkmale wie Geschlecht oder Körpergröße nur von sekundärer Bedeutung, sobald diese schnellen Kraftsignaturen verfügbar waren. Die Phasen „Versuch vor der Ruptur“ und „Ruptur“ wirkten biomechanisch sehr ähnlich, was erklärt, warum die Modelle Schwierigkeiten hatten, sie zu unterscheiden, aber beide zuverlässig von den sichereren Vor‑Ruptur‑Versuchen trennen konnten. Praktisch betrachtet deutet dies darauf hin, dass, sobald das Knie in ein gefährliches Belastungsmuster übergeht, das Zeitfenster zwischen „fast gerissen“ und „gerissen“ sehr kurz ist.

Von Laborbänken zu smarten Bandagen und Spielfeldern

Für Nicht‑Spezialisten lautet die Hauptbotschaft: Unsere Knie senden bereits in den ersten wenigen Tausendsteln einer Sekunde nach dem Landen Hinweise auf Probleme aus, und Computermodelle können lernen, diese subtilen Signale zu lesen. Indem sie sich auf frühe Aufprallkräfte konzentrieren — wie das Bein beim Erstkontakt gedrückt, gezogen und verdreht wird — können ML‑Systeme zuverlässig anzeigen, wenn ein Knie von normaler Belastung in einen Hochrisikozustand übergeht, selbst mit Daten, die einfach genug für tragbare Sensoren sind. Die Studie wurde an Kadaverknien und mit einer überschaubaren Stichprobe durchgeführt, daher wird die Übertragbarkeit auf lebende Athleten mehr Arbeit, größere Datensätze und vermutlich weiterentwickelte Algorithmen erfordern. Dennoch legt sie die Grundlage für künftige smarte Bandagen, Schuheinlagen oder feldseitige Systeme, die Spieler und Trainer warnen, wenn ein Bewegungsmuster riskant wird, und verwandelt die ACL‑Versorgung vom reaktiven Modell „Operation nach dem Riss“ in proaktive Verletzungsprävention.

Zitation: 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

Schlüsselwörter: Vorhersage von ACL‑Verletzungen, Sportbiomechanik, maschinelles Lernen in der Medizin, Wearable‑Sensoren, Prävention von Knieverletzungen