ランニング解析による前十字靭帯損傷プロファイルの分類：機械学習アプローチ

なぜ膝の負傷が活動的な人にとって重要か

多くのアスリートや活動的な人にとって、膝の靭帯損傷は生涯にわたって動き方を変える転機になり得ます。前十字靭帯（ACL）は膝の重要な安定化要素であり、切り返しやジャンプ、急停止を伴うスポーツでの断裂がよく見られます。手術と数か月のリハビリを経ても、以前と同じ競技レベルに戻れないことが多く、早期の変形性関節症のリスクが高まる可能性もあります。本研究は、ACL手術後の走り方に生じるごく小さな変化を、目視や標準的な検査では捉えられないレベルでコンピュータが検出できるかを検討します。

研究が走行パターンをどのように調べたか

研究者らは30人の若年アスリートを募集しました：健常者15人と、過去5〜8か月以内にACL再建を受けた15人です。全員とも疼痛はなく、理学療法士から運動許可を受け、サッカー、フットサル、格闘技、バレーボールなど同程度の競技レベルで活動していました。各被験者は一定速度で特殊な計測用トレッドミルを走り、ベルト下のセンサーが足の接地を記録しました。この装置から、各歩の継続時間やストライドの長さ、接地時間と浮遊時間、各ステップの移動距離、加わる力や圧力中心の移動速度など、基本的なランニング特徴量を測定しました。

複雑な動きを扱いやすいデータに変換する

ランニングは非常に反復性の高い動作のため、時間や荷重の微小な変化が数千歩にわたって蓄積されます。トレッドミルは被験者全体で2,470の個別ストライドを記録し、豊富だが複雑なデータセットを作りました。理解しやすくするために、まず各数値を標準化して、スケールの大きさだけで特定の指標が支配しないようにしました。次に、重要な分散を保ちながらデータを圧縮する数学的手法を用いました。そこから、ストライド時間、接地時間、スイング時間、ステップおよびストライド長、垂直力のピーク、力の立ち上がり速度、足下での圧力の前方および側方への移動速度など、11の主要なランニング特徴に注目しました。

コンピュータに健常者と負傷者を分類させる

測定した特徴量を用いて、研究チームは健常ランナーとACL既往ランナーを区別するために、いくつかの種類の機械学習モデルを訓練しました。決定木、ランダムフォレスト、サポートベクターマシン、ニューラルネットワークなど一般的な手法を比較検討しました。自己欺瞞を避けるため、いずれか一人のストライドは訓練セットかテストセットのどちらか一方にのみ含める厳密な検証法を採用しました。こうすることで、モデルは同一人物の新しい歩ではなく新しい人に対して一般化する必要がありました。最も優れた結果を示したのはK近傍法という単純な手法で、新しいストライドを過去に見た似たストライドと比較して分類します。非常に高い精度でストライドを正しく分類し、両群をほぼ完全に分離しました。

ランナーのストライドで最も重要な要素

ランナーを健常またはACL再建とラベル付けするだけでなく、研究者らは走行パターンのどの要素が最も有用な情報を含むかを知りたがりました。複数のモデルにわたって、時間に関する特徴が重要度の上位に挙がりました。特にストライド時間、接地時間、スイング時間と、足下で圧力中心が前方へ移動する速さが重要でした。これらの結果は、ACL手術後に観察者から見て走りが正常に見えても、片脚にかける時間や関節の荷重のかけ方がしばしば変わるという先行研究と一致します。解釈が容易な単純な決定木モデルは魅力的ですが、多数の木を組み合わせるモデルや多くの近傍を参照するモデルほどデータの複雑性を扱えませんでした。

リハビリと競技復帰にとっての意義

本研究は、慎重に収集されたトレッドミルデータと現代的なコンピュータ解析を組み合わせることで、ACL再建後に残る走行の変化を明らかにできることを示唆します。一般的なアスリートにとって、将来的にはリハビリ中に素早くデータに基づく評価を行い、ストライドが本当に正常化しているか、膝に余計な負担をかけるパターンを残しているかを明らかにする実用的な手段となる可能性があります。臨床家は筋力や疼痛だけでなく、ストライド全体のタイミングや協調性の改善に焦点を当てた訓練を行えるかもしれません。ウェアラブル機器やリアルタイムのフィードバックシステムに統合されれば、同様のモデルは再損傷リスクの早期検出や、より個別化された運動処方の誘導に役立ち、長期的には早期の関節症など慢性的な膝の問題を減らすことを目指せます。

引用: 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

キーワード: ACL損傷, 歩行解析, 機械学習, ランニング力学, スポーツリハビリテーション