Wykorzystanie uczenia maszynowego do identyfikacji biomechanicznych predyktorów zerwania kończyny dolnej w zwalidowanym modelu zwłokowym urazu ACL

Dlaczego to ma znaczenie dla kolan w ruchu

Dla sportowców, żołnierzy i aktywnych osób zerwane więzadło krzyżowe przednie (ACL) w kolanie może być urazem zmieniającym życie, często wymagającym operacji i długiej rehabilitacji. Współczesna medycyna bardzo dobrze potrafi potwierdzić, że więzadło jest zerwane po zdarzeniu, ale znacznie gorzej radzi sobie z ostrzeżeniem, że kolano jest tuż przed awarią. Badanie to sprawdza, czy uczenie maszynowe — programy komputerowe uczące się wzorców z danych — może wykryć niebezpieczne obciążenie kolana na milisekundy przed zerwaniem i czy sygnały ostrzegawcze mogłyby ostatecznie zostać wychwycone przez praktyczne czujniki noszone.

Jak badacze odtworzyli urazy kolana

Zamiast badać urazy dopiero po ich wystąpieniu u żywych zawodników, zespół użył specjalistycznego stanowiska mechanicznego i oddanych nóżek zwłok, aby w laboratorium odtworzyć realistyczne zerwania ACL. Symulator pchał i skręcał każde kolano w kilku kierunkach jednocześnie, naśladując złożone siły występujące przy lądowaniu po skoku lub zmianie kierunku. Drobne czujniki na ACL i otaczających strukturach rejestrowały, jak bardzo więzadło się rozciąga, podczas gdy platformy siłowe i czujniki obciążenia mierzyły kierunki i wielkości sił przy stopie i kolanie. Z 51 preparatów wyodrębniono dziesiątki pomiarów w kluczowych momentach wokół kontaktu z podłożem, wraz z podstawowymi informacjami takimi jak płeć, wzrost i masa ciała.

Przekształcanie surowego ruchu w etykiety ryzyka

Aby uczynić te dane użytecznymi dla modeli komputerowych, badacze oznaczyli każde uderzenie jako należące do jednej z kilku faz: wyraźnie przed jakimkolwiek uszkodzeniem („przed‑zerwaniem”), pojedyncze badanie bezpośrednio przed awarią więzadła („próba poprzedzająca zerwanie”), samo zerwanie („zerwanie”) oraz późniejsza faza „po‑zerwaniu”. Dla predykcji w czasie rzeczywistym tylko pierwsze trzy fazy mają znaczenie, więc dane z po‑zerwania usunięto. Następnie utworzono cztery powiązane zbiory danych. Dwa zawierały wszystkie 53 pomiary laboratoryjne; dwa pozostałe zredukowano do 13 sygnałów, które realnie mogłyby pochodzić z urządzeń noszonych, takich jak siły przy początkowym kontakcie stopy. W każdej parze jedna wersja używała trzech klas (przed‑zerwaniem, próba przed zerwaniem, zerwanie), podczas gdy druga scalała dwie ostatnie w prostszy podział: bezpieczne versus „podwyższone ryzyko”.

Nauczanie maszyn rozpoznawania wzorców zagrożenia

Zespół przetestował osiem popularnych podejść uczenia maszynowego, od prostej regresji logistycznej po drzewa decyzyjne, lasy losowe, gradient boosting i liniową analizę dyskryminacyjną. Modele trenowano na danych z większości kolan, a następnie sprawdzano ich działanie na kolanach, których modele wcześniej nie widziały, co zapobiegało zapamiętywaniu przez algorytmy pojedynczych preparatów. Dla bogatych, laboratoryjnych danych najlepsze modele poprawnie zaklasyfikowały około 80–87 procent uderzeń do trzech szczegółowych faz. Gdy etykiety uproszczono do „przed‑zerwaniem” versus „podwyższone ryzyko”, dokładność wzrosła do około 92–95 procent. W przypadku zredukowanych danych w stylu noszonym dokładność dla trzech klas była niższa, około 60–77 procent, ale ponownie wzrosła do około 81–83 procent po scałkowaniu klas do bezpieczne kontra podwyższone ryzyko.

Co komputery znalazły w ruchu

We wszystkich modelach i zbiorach danych wyłonił się wyraźny wzorzec: najbardziej informatywne wskazówki pochodziły z bardzo wczesnych sił podczas lądowania. Siły mierzone już 33 milisekundy po kontakcie stopy z podłożem, szczególnie te działające w kierunku przód–tył i pionowo, były wielokrotnie klasyfikowane jako jedne z najważniejszych cech. Ważne były także szczytowe momenty skręcające i zginające w kolanie oraz siły tuż przy początkowym kontakcie. W przeciwieństwie do tego cechy demograficzne, takie jak płeć czy wzrost, odgrywały rolę drugorzędną, gdy dostępne były te szybkie sygnatury siłowe. Fazy „próba przed zerwaniem” i „zerwanie” wyglądały biomechanicznie bardzo podobnie, co tłumaczy, dlaczego modele miały trudność z ich rozróżnieniem, ale potrafiły wiarygodnie oddzielić obie od bezpiecznych prób przed‑zerwaniem. Z praktycznego punktu widzenia sugeruje to, że gdy kolano wchodzi w niebezpieczny wzorzec obciążenia, okno między „prawie zerwane” a „zerwanym” jest bardzo krótkie.

Z ławek laboratoryjnych do inteligentnych ortez i boisk

Dla osób nietechnicznych główne przesłanie jest takie, że nasze kolana nadają sygnały ostrożności w pierwszych kilku tysiącach części sekundy po lądowaniu, a modele komputerowe mogą nauczyć się te subtelne sygnały odczytywać. Koncentrując się na wczesnych siłach uderzenia — sposobie, w jaki noga jest popychana, ciągnięta i skręcana przy początkowym kontakcie — systemy uczące się mogą wiarygodnie sygnalizować, kiedy kolano przechodzi z normalnego obciążenia w stan wysokiego ryzyka, nawet przy danych wystarczająco prostych dla czujników noszonych. Badanie przeprowadzono na kolanach zwłok i na umiarkowanej próbce, więc przeniesienie wyników na żywych sportowców będzie wymagać dodatkowej pracy, większych zbiorów danych i zapewne bardziej zaawansowanych algorytmów. Mimo to praca ta tworzy podstawy pod przyszłe inteligentne ortezy, wkładki do butów czy systemy boiskowe, które będą ostrzegać zawodników i trenerów, gdy wzorzec ruchu zbliża się do katastrofy, przekształcając opiekę nad ACL z reaktywnego modelu „operacja po zerwaniu” w proaktywną prewencję urazów.

Cytowanie: 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

Słowa kluczowe: predykcja urazu ACL, biomechanika sportowa, uczenie maszynowe w medycynie, czujniki noszone, zapobieganie urazom kolana