Utilização de aprendizado de máquina para identificar preditores biomecânicos de ruptura de membros inferiores em um modelo cadavérico validado de lesão do LCA

Por que isso importa para joelhos em movimento

Para atletas, militares e pessoas ativas, a ruptura do ligamento cruzado anterior (LCA) do joelho pode ser uma lesão que muda a vida, frequentemente exigindo cirurgia e longa reabilitação. A medicina atual é muito boa em confirmar que o ligamento está rompido após o fato, mas muito menos capaz de avisar que o joelho está prestes a falhar. Este estudo investiga se o aprendizado de máquina — programas de computador que aprendem padrões a partir de dados — pode detectar o carregamento perigoso no joelho milissegundos antes de uma ruptura, e se esses sinais de alerta poderiam, no futuro, ser capturados por sensores vestíveis práticos.

Como os pesquisadores recriaram lesões de joelho

Em vez de estudar lesões apenas depois que elas acontecem em atletas reais, a equipe usou um aparato mecânico especializado e pernas cadavéricas doadas para recriar rupturas realistas do LCA em laboratório. O simulador empurrava e torcia cada joelho em várias direções ao mesmo tempo, imitando as forças complexas observadas quando um atleta aterrissa de um salto ou muda de direção. Sensores minúsculos no LCA e em estruturas circundantes registraram quanto o ligamento se alongou, enquanto plataformas de força e células de carga mediram as direções e a magnitude das forças no pé e no joelho. A partir de 51 espécimes, eles extraíram dezenas de medições em instantes-chave em torno do contato com o solo, junto com informações básicas como sexo, altura e peso.

Transformando movimento bruto em rótulos de risco

Para tornar esses dados úteis para modelos computacionais, os pesquisadores rotularam cada impacto como pertencente a uma de várias fases: claramente antes de qualquer dano (“pré‑ruptura”), o ensaio imediatamente anterior à falha do ligamento (“ensaio anterior à ruptura”), a ruptura em si (“ruptura”) e uma fase posterior de “pós‑ruptura”. Para previsão em tempo real, apenas as três primeiras fases são significativas, então os dados de pós‑ruptura foram removidos. Em seguida, criaram quatro conjuntos de dados relacionados. Dois incluíam todas as 53 medições de nível laboratorial; os outros dois reduziram isso a 13 sinais que poderiam realisticamente vir de dispositivos vestíveis, como forças no contato inicial do pé. Em cada par, uma versão usou três classes (pré‑ruptura, ensaio antes da ruptura, ruptura), enquanto a outra fundiu as duas últimas em uma divisão mais simples: seguro versus “risco elevado”.

Ensinando as máquinas a reconhecer padrões de perigo

A equipe testou oito abordagens comuns de aprendizado de máquina, que variaram desde regressão logística simples até árvores de decisão, florestas aleatórias, gradient boosting e análise discriminante linear. Eles treinaram esses modelos com dados da maioria dos joelhos e depois avaliaram o desempenho em joelhos que os modelos nunca tinham visto, evitando que os algoritmos simplesmente memorizassem espécimes individuais. Para os dados ricos de laboratório, os melhores modelos classificaram corretamente cerca de 80–87% dos impactos nas três fases detalhadas. Quando os rótulos foram simplificados para apenas “pré‑ruptura” versus “risco elevado”, a acurácia subiu para aproximadamente 92–95%. Com os dados reduzidos no estilo vestível, a acurácia em três classes foi menor, em torno de 60–77%, mas novamente subiu para cerca de 81–83% quando as classes foram fundidas em seguro versus risco elevado.

O que os computadores descobriram dentro do movimento

Em todos os modelos e conjuntos de dados, surgiu um padrão marcante: as pistas mais informativas vieram de forças muito cedo durante a aterrissagem. Forças medidas apenas 33 milissegundos após o pé tocar o solo, especialmente aquelas que empurram e puxam a perna para frente‑para‑trás e verticalmente, foram repetidamente classificadas entre as características mais importantes. Picos de momentos de torção e flexão no joelho, e forças exatamente no contato inicial, também foram relevantes. Em contraste, características demográficas como sexo ou altura tiveram papel secundário assim que essas assinaturas rápidas de força estavam disponíveis. As fases “ensaio anterior à ruptura” e “ruptura” pareceram biomecanicamente muito semelhantes, o que ajuda a explicar por que os modelos tiveram dificuldade em distingui‑las, mas puderam separar de forma confiável ambas das amostras mais seguras de pré‑ruptura. Do ponto de vista prático, isso sugere que, uma vez que o joelho entra em um padrão de carregamento perigoso, a janela entre “quase rompido” e “rompido” é muito breve.

Das bancadas de laboratório para órteses inteligentes e campos

Para não especialistas, a mensagem principal é que nossos joelhos emitem sinais de sofrimento nos primeiros milésimos de segundo após a aterrissagem, e modelos computacionais podem aprender a ler esses sinais sutis. Ao focar nas forças de impacto iniciais — a maneira como a perna é empurrada, puxada e torcida no contato inicial — sistemas de aprendizado de máquina podem sinalizar de forma confiável quando um joelho está mudando de um carregamento normal para um estado de alto risco, mesmo com dados simples o suficiente para sensores vestíveis. O estudo foi realizado em joelhos cadavéricos e com uma amostra modesta, então a tradução para atletas vivos exigirá mais trabalho, conjuntos de dados maiores e, provavelmente, algoritmos mais avançados. Ainda assim, ele estabelece a base para futuras órteses inteligentes, palmilhas ou sistemas à beira do campo que alertem jogadores e treinadores quando um padrão de movimento está à beira da catástrofe, transformando o cuidado do LCA de um modelo reativo de cirurgia após a ruptura em prevenção pró‑ativa de lesões.

Citação: 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

Palavras-chave: previsão de lesão do LCA, biomecânica esportiva, aprendizado de máquina na medicina, sensores vestíveis, prevenção de lesões no joelho