Klassifizierung von vorderen Kreuzbandverletzungsprofilen durch Laufanalyse: Ein Machine-Learning-Ansatz

Warum Knieverletzungen für Aktive wichtig sind

Für viele Athleten und aktive Menschen kann ein verletztes Knieband einen Wendepunkt darstellen, der ihre Bewegungsweise dauerhaft verändert. Das vordere Kreuzband (ACL) ist ein wichtiger Stabilisator im Knie, und Risse treten häufig in Sportarten auf, die Richtungswechsel, Sprünge und abrupte Stopps erfordern. Selbst nach Operation und monatelanger Reha kehren viele nicht auf ihr vorheriges Leistungsniveau zurück und sind möglicherweise einem erhöhten Risiko für frühe Arthrose ausgesetzt. Diese Studie untersucht, ob Computer kleinste Veränderungen im Laufstil nach einer ACL-Operation erkennen können — Veränderungen, die dem Auge oder Standardtests zu subtil sind.

Wie die Studie Laufmuster untersuchte

Die Forscher rekrutierten 30 junge Athleten: 15 gesunde und 15, die sich in den vergangenen 5 bis 8 Monaten einer ACL-Rekonstruktion unterzogen hatten. Alle waren schmerzfrei, von ihren Therapeuten freigegeben und in vergleichbaren Leistungsklassen in Sportarten wie Fußball, Futsal, Kampfsport und Volleyball aktiv. Jeder Athlet lief auf einem instrumentierten Laufband mit konstanter Geschwindigkeit, während Sensoren unter dem Band aufzeichneten, wie die Füße die Oberfläche berührten. Aus diesem Setup erfasste das Team grundlegende Laufmerkmale wie die Dauer einzelner Schritte und Sprünge, Stand- und Schwungphasen, Schrittlänge, und wie schnell Kräfte sowie der Druckmittelpunkt unter dem Fuß wanderten.

Komplexe Bewegung in nutzbare Daten verwandeln

Laufen ist eine hochgradig repetitive Bewegung, sodass selbst kleine Änderungen in Timing oder Belastung sich über tausende Schritte summieren können. Das Laufband zeichnete insgesamt 2.470 einzelne Schritte über alle Teilnehmenden auf und erzeugte so einen umfangreichen, aber komplexen Datensatz. Um ihn zu verstehen, standardisierten die Forscher zunächst die Werte, damit kein Maß allein wegen seiner Skala dominierte. Anschließend nutzten sie eine mathematische Methode, um die Daten zu komprimieren und gleichzeitig die wichtigsten Variationen zu erhalten. Daraus wählten sie 11 zentrale Laufmerkmale aus, darunter Schrittdauer, Standzeit, Schwungzeit, Schritt- und Schrittlänge, maximale Vertikalkraft, die Anstiegsrate dieser Kraft sowie die Vorwärts- und seitliche Geschwindigkeit der Druckverlagerung unter dem Fuß.

Computer entscheiden lassen, wer gesund oder verletzt ist

Mithilfe dieser gemessenen Merkmale trainierte das Team verschiedene Arten von Computerprogrammen, die als Machine-Learning-Modelle bekannt sind, um gesunde Läufer von solchen mit ACL-Vorgeschichte zu unterscheiden. Sie testeten eine Reihe gängiger Werkzeuge, darunter Entscheidungsbäume, Random Forests, Support Vector Machines und neuronale Netze. Um Selbsttäuschung zu vermeiden, verwendeten sie eine sorgfältige Teststrategie, bei der die Schritte einer Person entweder vollständig im Trainingssatz oder vollständig im Testsatz blieben. Auf diese Weise mussten die Modelle auf neue Personen generalisieren, nicht nur auf neue Schritte derselben Person. Als bester Performer erwies sich eine einfache Methode namens K-Nearest-Neighbors, die jeden neuen Schritt mit ähnlichen, zuvor gesehenen vergleicht. Sie klassifizierte Schritte mit sehr hoher Genauigkeit und nahezu perfekter Fähigkeit, die beiden Gruppen zu trennen.

Was im Laufschritt am wichtigsten ist

Über die bloße Kennzeichnung von Läufern als gesund oder ACL-repariert hinaus wollten die Autorinnen und Autoren wissen, welche Aspekte des Laufmusters die nützlichsten Informationen liefern. In mehreren Modellen traten Timing-Merkmale deutlich hervor. Schrittdauer, Standzeit und Schwungzeit waren besonders wichtig, ebenso wie die Geschwindigkeit, mit der sich der Druckmittelpunkt vorwärts unter dem Fuß bewegt. Diese Ergebnisse stimmen mit früheren Studien überein, die zeigen, dass Menschen nach einer ACL-Operation oft die Zeit auf jedem Bein und die Gelenkbelastung ändern, selbst wenn ihr Lauf für Beobachter normal aussieht. Ein einfacher Entscheidungsbaum war leichter zu interpretieren, bewältigte die Komplexität der Daten aber nicht so gut wie Modelle, die viele Bäume kombinieren oder auf viele Nachbarn setzen.

Welche Bedeutung das für Reha und Rückkehr zum Sport haben könnte

Die Studie legt nahe, dass sorgfältig erhobene Laufbanddaten in Kombination mit moderner Computeranalyse anhaltende Veränderungen im Laufstil nach einer ACL-Rekonstruktion aufdecken können. Für Freizeitsportler könnte sich daraus eines Tages ein schneller, datenbasierter Check in der Reha ergeben, der zeigt, ob ihr Schritt wirklich normalisiert ist oder weiterhin Muster aufweist, die das Knie zusätzlich belasten. Kliniker könnten das Training stärker auf Timing und Koordination im Schrittverlauf fokussieren statt nur auf Kraft oder Schmerzwerte. Integriert in Wearables oder Systeme mit Echtzeit-Feedback könnten ähnliche Modelle helfen, Rückverletzungsrisiken früher zu erkennen und individuellere Übungspläne zu leiten, mit dem langfristigen Ziel, das Risiko chronischer Knieprobleme wie früher Arthrose zu senken.

Zitation: 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

Schlüsselwörter: ACL-Verletzung, Gangbildanalyse, Machine Learning, Laufbiomechanik, Sportrehabilitation