Classification des profils de blessure du ligament croisé antérieur via l’analyse de la course : une approche par apprentissage automatique

Pourquoi les blessures du genou importent pour les personnes actives

Pour de nombreux athlètes et personnes actives, une lésion d’un ligament du genou peut représenter un tournant qui modifie leur façon de bouger à vie. Le ligament croisé antérieur, ou LCA, est un stabilisateur clé du genou, et les ruptures sont courantes dans les sports impliquant des changements de direction, des sauts et des arrêts brusques. Même après une chirurgie et des mois de rééducation, les personnes ne retrouvent souvent pas leur niveau de pratique antérieur et peuvent présenter un risque accru d’arthrose précoce. Cette étude examine si des ordinateurs peuvent repérer de minuscules changements dans la façon de courir après une chirurgie du LCA, des changements trop subtils pour l’œil ou pour les tests standard.

Comment l’étude a analysé les schémas de course

Les chercheurs ont recruté 30 jeunes athlètes : 15 sains et 15 ayant subi une reconstruction du LCA dans les 5 à 8 mois précédents. Tous étaient sans douleur, autorisés par leurs thérapeutes et évoluaient à des niveaux de compétition similaires dans des sports comme le football, le futsal, les arts martiaux et le volley-ball. Chaque athlète a couru sur un tapis roulant instrumenté à vitesse constante pendant que des capteurs sous la ceinture enregistraient les contacts du pied avec la surface. À partir de cet appareil, l’équipe a mesuré des caractéristiques de course de base telles que la durée de chaque pas et de chaque foulée, le temps d’appui et de balancement, la longueur du pas, et la vitesse à laquelle les forces et le centre de pression se déplaçaient sous les pieds.

Transformer un mouvement complexe en données exploitables

La course est une action fortement répétitive, de sorte que de petits changements de timing ou de charge peuvent s’additionner sur des milliers de pas. Le tapis a capturé 2 470 foulées individuelles pour l’ensemble des participants, créant un jeu de données riche mais complexe. Pour l’exploiter, les chercheurs ont d’abord standardisé les valeurs afin qu’aucune mesure ne domine simplement parce qu’elle a une plus grande échelle. Ils ont ensuite utilisé une méthode mathématique pour compresser les données tout en conservant la majeure partie de la variation importante. À partir de là, ils se sont concentrés sur 11 caractéristiques de course clés, notamment le temps de foulée, le temps d’appui, le temps de balancement, la longueur du pas et de la foulée, la force verticale de pointe, la vitesse d’augmentation de cette force, et la vitesse de déplacement de la pression vers l’avant et latéralement sous le pied.

Laisser les ordinateurs trier les coureurs sains et blessés

Avec ces caractéristiques mesurées en main, l’équipe a entraîné plusieurs types de programmes informatiques connus sous le nom de modèles d’apprentissage automatique pour distinguer les coureurs sains de ceux ayant des antécédents de LCA. Ils ont testé une gamme d’outils courants, y compris des arbres de décision, des forêts aléatoires, des machines à vecteurs de support et des réseaux neuronaux. Pour éviter de se tromper eux-mêmes, ils ont utilisé une approche de test rigoureuse dans laquelle les foulées d’une même personne étaient soit entièrement dans l’ensemble d’entraînement soit entièrement dans l’ensemble de test. Ainsi, les modèles devaient généraliser à de nouvelles personnes, pas seulement à de nouveaux pas d’une même personne. Le meilleur performeur fut une méthode simple appelée K plus proches voisins, qui compare chaque nouvelle foulée à des foulées similaires déjà vues. Elle a classé correctement les foulées avec une très grande précision et une capacité presque parfaite à séparer les deux groupes.

Ce qui importe le plus dans la foulée d’un coureur

Au-delà du simple étiquetage des coureurs comme sains ou réparés du LCA, les auteurs ont voulu savoir quelles parties du schéma de course apportaient le plus d’information utile. Dans plusieurs modèles, les caractéristiques de timing sont arrivées en tête. Le temps de foulée, le temps d’appui et le temps de balancement étaient particulièrement importants, tout comme la rapidité du déplacement du centre de pression vers l’avant sous le pied. Ces résultats concordent avec des recherches antérieures montrant que, après une chirurgie du LCA, les personnes modifient souvent la durée passée sur chaque jambe et la façon dont elles chargent leurs articulations, même si leur course paraît normale aux observateurs. Alors qu’un modèle d’arbre de décision simple était plus facile à interpréter, il ne gérait pas aussi bien la complexité des données que des modèles combinant de nombreux arbres ou reposant sur de nombreux voisins.

Ce que cela pourrait signifier pour la rééducation et le retour au sport

L’étude suggère que des données de tapis roulant soigneusement collectées, associées à des analyses informatiques modernes, peuvent révéler des changements persistants dans la façon de courir après une reconstruction du LCA. Pour les athlètes de tous les jours, cela pourrait un jour se traduire par des contrôles rapides et basés sur les données pendant la rééducation, permettant de souligner si la foulée s’est vraiment normalisée ou conserve des schémas associés à un stress accru sur le genou. Les cliniciens pourraient concentrer l’entraînement sur l’amélioration du timing et de la coordination au cours de la foulée plutôt que seulement sur la force ou la douleur. Si ces modèles étaient intégrés à des dispositifs portables ou à des systèmes de rétroaction en temps réel, ils pourraient aider à repérer plus tôt les risques de nouvelle blessure et guider des plans d’exercice plus personnalisés, avec pour objectif à long terme de réduire le risque de problèmes chroniques du genou comme l’arthrose précoce.

Citation: 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

Mots-clés: lésion du LCA, analyse de la démarche, apprentissage automatique, biomécanique de la course, rééducation sportive