Clasificación de perfiles de lesión del ligamento cruzado anterior a través del análisis de la carrera: un enfoque de aprendizaje automático

Por qué importan las lesiones de rodilla para las personas activas

Para muchos deportistas y personas activas, una lesión en un ligamento de la rodilla puede ser un punto de inflexión que cambia su manera de moverse de por vida. El ligamento cruzado anterior, o LCA, es un estabilizador clave de la rodilla, y las roturas son frecuentes en deportes que implican cambios de dirección, saltos y paradas bruscas. Incluso tras la cirugía y meses de rehabilitación, muchas personas no vuelven a su nivel previo de práctica y pueden enfrentarse a un mayor riesgo de artrosis precoz. Este estudio explora si los ordenadores pueden detectar pequeños cambios en la forma de correr después de la cirugía de LCA, cambios demasiado sutiles para el ojo o las pruebas estándar.

Cómo se examinó el patrón de la carrera

Los investigadores reclutaron a 30 atletas jóvenes: 15 sanos y 15 que habían sido sometidos a reconstrucción del LCA en los últimos 5 a 8 meses. Todos estaban sin dolor, autorizados por sus terapeutas y competían en niveles similares en deportes como fútbol, futsal, artes marciales y voleibol. Cada atleta corrió en una cinta instrumentada especial a una velocidad constante mientras sensores bajo la banda registraban cómo sus pies contactaban la superficie. A partir de este montaje, el equipo midió características básicas de la carrera, como la duración de cada paso y zancada, el tiempo de apoyo y de vuelo, la distancia de cada paso y la rapidez con la que las fuerzas y el centro de presión se desplazaban bajo los pies.

Transformar el movimiento complejo en datos útiles

Correr es una acción altamente repetitiva, de modo que incluso pequeños cambios en la sincronización o en la carga pueden acumularse a lo largo de miles de pasos. La cinta capturó 2.470 zancadas individuales entre todos los participantes, creando un conjunto de datos rico pero complejo. Para interpretarlo, los investigadores primero estandarizaron las cifras para que ninguna medida dominara solo por tener una escala mayor. Luego aplicaron un método matemático para comprimir los datos conservando la mayor parte de la variación importante. A partir de ahí, se centraron en 11 características clave de la carrera, incluyendo tiempo de zancada, tiempo de apoyo, tiempo de vuelo, longitud de paso y zancada, fuerza vertical máxima, la velocidad de incremento de esa fuerza y la rapidez con la que la presión se desplazaba hacia delante y lateralmente bajo el pie.

Permitir que los ordenadores separen corredores sanos e lesionados

Con estas características medidas en mano, el equipo entrenó varios tipos de programas informáticos conocidos como modelos de aprendizaje automático para distinguir a los corredores sanos de los que tenían antecedentes de LCA. Probaron una gama de herramientas comunes, incluidas árboles de decisión, bosques aleatorios, máquinas de vectores de soporte y redes neuronales. Para evitar engañarse a sí mismos, emplearon un enfoque de validación cuidadoso en el que las zancadas de una misma persona se mantenían o bien íntegramente en el conjunto de entrenamiento o íntegramente en el conjunto de prueba. De ese modo, los modelos tuvieron que generalizar a nuevas personas, no solo a nuevos pasos de la misma persona. El mejor desempeño lo obtuvo un método sencillo llamado K vecinos más cercanos, que compara cada nueva zancada con otras similares que ya ha visto. Clasificó correctamente las zancadas con una precisión muy alta y una capacidad casi perfecta para separar los dos grupos.

Qué es lo que más importa en la zancada de un corredor

Más allá de etiquetar a los corredores como sanos o reparados de LCA, los autores quisieron saber qué partes del patrón de carrera contenían la información más útil. En varios modelos, las características temporales ascendieron a la cima. El tiempo de zancada, el tiempo de apoyo y el tiempo de vuelo fueron especialmente importantes, junto con la rapidez con la que el centro de presión avanzaba bajo el pie. Estos resultados coinciden con estudios anteriores que muestran que, tras la cirugía de LCA, las personas a menudo cambian cuánto tiempo pasan sobre cada pierna y cómo cargan sus articulaciones, incluso si su carrera parece normal a simple vista. Aunque un modelo de árbol de decisión más sencillo era más fácil de interpretar, no manejó la complejidad de los datos tan bien como modelos que combinan muchos árboles o que se basan en muchos vecinos.

Qué podría significar esto para la rehabilitación y el regreso al deporte

El estudio sugiere que los datos de cinta recogidos cuidadosamente, junto con el análisis informático moderno, pueden revelar cambios persistentes en la forma de correr tras la reconstrucción del LCA. Para los deportistas cotidianos, esto podría traducirse en controles rápidos basados en datos durante la rehabilitación que señalen si su zancada se ha normalizado realmente o si todavía muestra patrones asociados a una tensión adicional en la rodilla. Los clínicos podrían centrar el entrenamiento en mejorar la temporización y la coordinación de la zancada en lugar de enfocarse únicamente en la fuerza o los niveles de dolor. Si se integraran en dispositivos portátiles o sistemas de retroalimentación en tiempo real, modelos similares podrían ayudar a detectar riesgos de nueva lesión antes y orientar planes de ejercicio más personalizados, con el objetivo a largo plazo de reducir la probabilidad de problemas crónicos de rodilla como la artrosis precoz.

Cita: 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

Palabras clave: lesión de LCA, análisis de la marcha, aprendizaje automático, biomecánica de la carrera, rehabilitación deportiva