שימוש בלמידת מכונה לזיהוי מנבאי ביו‑מכאני של קרע בגפה תחתונה במודל קדמי‑צולב (ACL) מאומת על גופות

מדוע זה חשוב לברכיים בתנועה

לספורטאים, חיילים ואנשים פעילים, קרע ברצועה הצולבת הקדמית (ACL) בברך יכול להיות פגיעה שמשנה חיים, שלעיתים דורשת ניתוח והשיקום ממושך. הרפואה של היום טובה מאוד באבחון שהרצועה קרועה לאחר האירוע, אך פחות מסוגלת להזהיר שמחבר הברך עומד להתקלקל. המחקר הזה בוחן האם למידת מכונה — תוכנות מחשב שלומדות דפוסים מתוך נתונים — יכולה לזהות את העומס המסוכן על הברך מילישניות לפני הקרע, והאם אותות אזהרה אלה יוכלו בסוף להיקלט בחיישנים נישאים מעשיים.

כיצד החוקרים שיחזרו פציעות ברך

במקום לחקור פציעות רק לאחר שהן קורות אצל שחקנים אמיתיים, הצוות השתמש במכונה מיוחדת וברגליים מתת תרומה משמורות כדי לשחזר קרעים מציאותיים של ה‑ACL במעבדה. הסימולטור דחף וסיבב כל ברך בכמה כיוונים בו־זמנית, במימוק של הכוחות המורכבים שנראים כאשר אתלט נוחת מקפיצה או מבצע חיתוך לשינוי כיוון. חיישנים זעירים על ה‑ACL ומבנים מסביב רישמו עד כמה הרצועה נמתחה, בעוד לוחות כוח ותאי עומס מדדו את הכיוונים והגדלים של הכוחות בכף הרגל ובברך. מתוך 51 דגימות חילצו עשרות מדידות ברגעים מפתח סביב מגע הקרקע, יחד עם מידע בסיסי כגון מין, גובה ומשקל.

הפיכת תנועה גולמית לתוויות סיכון

כדי להפוך את הנתונים לשימושיים למודלים ממוחשבים, החוקרים תייגו כל פגיעה כאחת ממספר שלבים: בבירור לפני כל נזק (“לפני‑קריעה”), הניסיון היחיד מיד לפני כישלון הרצועה (“ניסיון לפני קריעה”), הקרע עצמו (“קריעה”), ושלב מאוחר יותר של “אחרי‑קריעה”. לחיזוי בזמן אמת רק השלבים הראשונים משמעותיים, לכן נתוני אחרי‑הקריעה הוסרו. לאחר מכן יצרו ארבעה מערכי נתונים קשורים. שניים כללו את כל 53 המדידות ברמת מעבדה; השניים הנותרים קיצרו זאת ל‑13 אותות שיכולים באופן ריאלי להגיע מחיישנים נישאים, כמו כוחות במגע ראשוני של כף הרגל. בכל זוג, גרסה אחת השתמשה בשלוש קטגוריות (לפני‑קריעה, ניסיון לפני קריעה, קריעה), ואילו האחרת מיזגה את שתי האחרונות לחלוקה פשוטה יותר: בטוח לעומת “סיכון מוגבר”.

להדריך מכונות לזהות דפוסי סכנה

הצוות בחן שמונה שיטות למידת מכונה נפוצות, החל מהרגרסיה הלוגיסטית הפשוטה ועד עצי החלטה, יערות אקראיים, גרדיאנט בוסטינג ואנליזה מפלגתית ליניארית. הם אילפו את המודלים האלה על נתונים מרוב הברכיים ואז בדקו ביצועים על ברכיים שהמודלים לא ראו קודם, כדי למנוע שהאלגוריתמים יאחסנו בזכרונם דגימות פרטניות. עבור הנתונים העשירים ברמת המעבדה, המודלים הטובים ביותר מסווגים נכון כ‑80–87 אחוז מהמפגעים לשלושת השלבים המפורטים. כאשר התוויות פושטו לשתי קטגוריות בלבד — “לפני‑קריעה” לעומת “סיכון מוגבר” — הדיוק קפץ לכ‑92–95 אחוז. עם הנתונים המצומצמים בסגנון‑נישא, הדיוק בשלוש קטגוריות ירד, כ‑60–77 אחוז, אך שוב עלה לכ‑81–83 אחוז כאשר המודלים חלקו אותם לשתי קטגוריות של בטוח לעומת סיכון מוגבר.

מה המחשבים מצאו בתוך התנועה

באמצעות כל המודלים ומערכי הנתונים עלה דפוס בולט: הרמזים המידעיים ביותר הגיעו מכוחות מוקדמים מאוד בעת הנחיתה. כוחות שנמדדו רק 33 מילישניות אחרי מגע הרגל עם הקרקע, ובמיוחד כוחות שמדחפים ומשכים את הרגל קדימה‑אחורה ובכיוון האנכי, הוצבו שוב ושוב בין התכונות החשובות ביותר. מומנטים של פיתול וכיפוף שיא בברך, וכוחות ברגע המגע הראשוני, גם הם היו רלוונטיים. לעומת זאת, תכונות דמוגרפיות כגון מין או גובה מילאו תפקיד משני רק לאחר שהחתימות המהירות של הכוח היו זמינות. שלב ה“ניסיון לפני קריעה” וה“קריעה” נראו דומה מאוד מבחינה ביו‑מכאנית, מה שמסביר מדוע המודלים התקשו להבחין ביניהם אך יכלו להפריד שניהם באופן אמין מהניסויים הבטוחים יותר של לפני‑הקריעה. מבחינה מעשית, זה מרמז כי ברגע שהברך נכנסת לדגם עומס מסוכן, החלון בין "כמעט קרוע" ל"קרוע" קצר מאוד.

ממשטחי מעבדה לתמכובי חכמים ולמגרשים

בעבור הקוראים הלא‑מומחים, המסר העיקרי הוא כי ברכינו משדרות מצוקה בתוך האלף‑שניות הראשונות אחרי הנחיתה, ומודלים ממוחשבים יכולים ללמוד לקרוא אותות עדינים אלה. באמצעות התמקדות בכוחות ההשפעה המוקדמים — האופן שבו הרגל נדחפת, נמשכת ומסובבת במגע הראשוני — מערכות למידת מכונה יכולות לדווח באופן אמין מתי הברך עוברת מעומס נורמלי למצב סיכון גבוה, אפילו עם נתונים פשוטים מספיק עבור חיישנים נישאים. המחקר נערך על ברכיים של גופות ובמדגם יחסית קטן, לכן תרגום הממצאים לאתלטים חיים ידרוש עבודה נוספת, מאגרים גדולים יותר וככל הנראה אלגוריתמים מתקדמים יותר. עם זאת, הוא מניח יסוד לתמכובי חכמים, תוספי סוליה או מערכות בצד המגרש שיתריעו לשחקנים ומאמנים כאשר דפוס תנועה מתקרב לאסון, וישנו את גישת הטיפול ב‑ACL מדגם תגובתי של ניתוח לאחר הקרע לגישה פרואקטיבית למניעה.

ציטוט: 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

מילות מפתח: חיזוי פציעת ACL, ביו‑מכאניקה של ספורט, למידת מכונה ברפואה, חיישנים נישאים, מניעת פגיעות בברך