Использование машинного обучения для выявления биомеханических предикторов разрыва в нижних конечностях на валидированной трупной модели травмы ПКС

Почему это важно для подвижных коленей

Для спортсменов, военных и активных людей разрыв передней крестообразной связки (ПКС) в колене может стать судьбоносной травмой, часто требующей операции и длительной реабилитации. Современная медицина хорошо умеет подтверждать факт разрыва задним числом, но гораздо хуже предупреждает о том, что колено вот‑вот выйдет из строя. В этом исследовании изучали, может ли машинное обучение — компьютерные программы, которые выявляют закономерности в данных — улавливать опасную нагрузку на колено за миллисекунды до разрыва и могут ли эти предупредительные признаки в будущем фиксироваться практичными носимыми сенсорами.

Как исследователи воссоздали травмы колена

Вместо того чтобы изучать травмы только после их возникновения у живых спортсменов, команда использовала специализированный механический стенд и донорские трупные ноги, чтобы воссоздать реалистичные разрывы ПКС в лаборатории. Симулятор нагружал и закручивал каждое колено в нескольких направлениях одновременно, имитируя сложные силы, возникающие при приземлении после прыжка или резком смене направления. Крошечные датчики на ПКС и окружающих структурах регистрировали, насколько растягивалась связка, а силовые платформы и датчики нагрузки измеряли направления и величины сил у стопы и колена. Из 51 образца извлекали десятки измерений в ключевые моменты вокруг касания земли, а также базовую информацию, такую как пол, рост и вес.

Преобразование сырого движения в метки риска

Чтобы сделать эти данные полезными для компьютерных моделей, исследователи маркировали каждое воздействие как принадлежащее одному из нескольких этапов: явно до любого повреждения («предразрыв»), единичная попытка непосредственно перед отказом связки («серия перед разрывом»), сам разрыв («разрыв») и более поздняя «постразрывная» фаза. Для предикции в реальном‑времени имеют значение только первые три фазы, поэтому данные постразрывной фазы удалили. Затем они создали четыре связанных набора данных. Два включали все 53 лабораторных показателя; другие два сократили это до 13 сигналов, которые реалистично могли бы поступать с носимых устройств, например силы при первоначальном контакте стопы. В каждой паре одна версия использовала три класса (предразрыв, серия перед разрывом, разрыв), а другая объединяла последние два в более простое деление: безопасно против «повышенного риска».

Обучение машин распознавать опасные паттерны

Команда протестировала восемь распространённых методов машинного обучения — от простой логистической регрессии до деревьев решений, случайных лесов, градиентного бустинга и линейного дискриминантного анализа. Эти модели обучали на данных большинства колен, а затем проверяли их на коленях, которых модели не видели ранее, чтобы предотвратить простое запоминание отдельных образцов. Для богатых лабораторных данных лучшие модели правильно классифицировали примерно 80–87 процентов воздействий по трём детализированным стадиям. Когда метки упрощали до «предразрыв» против «повышенного риска», точность подскакивала до примерно 92–95 процентов. Для сокращённых носимых данных точность при трёх классах была ниже — около 60–77 процентов, но снова выросла до примерно 81–83 процента после объединения классов в безопасно против повышенного риска.

Что компьютеры обнаружили внутри движения

Во всех моделях и наборах данных проявился поразительный паттерн: самые информативные подсказки исходили из очень ранних сил при приземлении. Силы, измеренные всего через 33 миллисекунды после касания стопой земли, особенно те, что сдвигают ногу вперёд‑назад и вертикально, регулярно входили в число самых важных признаков. Также значимы были пиковые моменты кручения и сгибания в колене и силы непосредственно при первоначальном контакте. В отличие от этого, демографические характеристики, такие как пол или рост, играли лишь второстепенную роль, когда эти быстрые сигнатуры сил были доступны. Фазы «серия перед разрывом» и «разрыв» выглядели биомеханически очень похоже, что объясняет, почему моделям было трудно их различать, но они могли надёжно отделить обе от более безопасных предразрывных попыток. С практической точки зрения это указывает на то, что как только колено входит в опасный режим нагрузки, интервал между «почти разорвано» и «разорвано» очень короткий.

От лабораторных столов к умным ортезам и полям

Для неспециалистов главный вывод таков: наши колени посылают сигналы бедствия в первые доли секунды после приземления, и компьютерные модели способны научиться читать эти тонкие сигналы. Сфокусировавшись на ранних силах удара — том, как ногу толкают, тянут и скручивают при первоначальном контакте — системы машинного обучения могут надёжно помечать моменты, когда колено переходит из нормальной нагрузки в состояние высокого риска, даже при данных, достаточно простых для носимых сенсоров. Исследование проведено на трупных коленях и на сравнительно небольшой выборке, поэтому перенос результатов на живых спортсменов потребует дополнительных работ, больших наборов данных и, вероятно, более продвинутых алгоритмов. Тем не менее работа закладывает основу для будущих умных ортезов, стелек или полевых систем, которые будут предупреждать игроков и тренеров, когда техника движения приближается к катастрофе, переводя уход за ПКС от реактивной модели «операция после разрыва» к проактивной профилактике травм.

Цитирование: 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

Ключевые слова: предсказание травм ПКС, биомеханика спорта, машинное обучение в медицине, ношенные датчики, профилактика травм колена