AI-assisterad videoanalys av Trendelenburg-testet: en genomförbarhetsstudie

Att se hur vi står på ett ben

Många höft- och knäproblem visar sig i enkla vardagliga handlingar, som att stå på ett ben för att ta på sig en strumpa. Läkare använder ofta en snabb sängkantsundersökning kallad Trendelenburg-testet för att bedöma hur väl musklerna runt höften fungerar. Men detta test bedöms vanligtvis med blotta ögat, vilket kan missa subtila avvikelser. Denna studie undersöker om vanlig smartphonevideo, i kombination med artificiell intelligens (AI), kan omvandla det enkla testet till en objektiv mätning baserad på siffror som kan förbättra diagnostik och rehabilitering.

Ett enkelt test med dold komplexitet

I Trendelenburg-testet står en person på ett ben medan det andra benet lyfts, ungefär som i ett långsamt marschsteg. Traditionellt har en synlig sänkning av den lyfta sidan av bäckenet tolkats som tecken på att höftens muskler på ståsidan är svaga. Patienter kan dock kompensera genom att luta överkroppen mot det stående benet, vilket kan dölja bäckensänkning och vilseleda den som undersöker. Dessutom kan vad som händer i knäet under manövern påverka hur krafter leds genom benet och eventuellt påverka ledslitage över tid. Allt detta gör testet mer komplext än det först verkar.

Att göra klinikvideo till mätbara vinklar

Forskarna byggde upp ett praktiskt system som skulle passa i en hektisk ortopedklinik. Tolv vuxna med höftproblem deltog: sju hade genomgått total höftprotes och fem hade höftsmärta utan konstgjord led. Varje person filmades bakifrån med en enda smartphone monterad på ett stativ medan de utförde Trendelenburg-testet på respektive ben. En AI-baserad, markörfri rörelseapp identifierade automatiskt viktiga kroppspunkter från videon. Med hjälp av dessa punkter mätte teamet tre saker: hur i nivå bäckenet höll sig, hur mycket bålen lutade åt ena sidan och hur vinkeln i knäet förändrades mellan att stå på två ben och på ett ben. Hela processen—inspelning och analys—tog median cirka tre och en halv minut per patient, och alla videor var användbara.

Hur människor faktiskt kompenserar

Mätningarna visade att stora bäckensänkningar var ovanliga. I gruppen höll sig bäckenet nära i nivå när personer balanserade på ett ben. Det som istället stack ut var bålen. Många patienter, särskilt de med höftproteser, lutade överkroppen mot ståsidan, en strategi som kan minska arbetsbelastningen på försvagade höftmuskler. Hälften av alla deltagare, och fem av sju med konstgjorda höfter, visade bållutning utöver en konservativ gräns som använts i tidigare forskning. Förändringar i knäet var också vanliga: två tredjedelar av patienterna visade åtminstone en tregradig förskjutning i knäet i frontvy, vilket tyder på att sättet höften hanterar svaghet på kan omfördela krafter längre ner i benet.

Vad siffrorna kan erbjuda läkare

Genom att kvantifiera bäckenlutning, bållutning och knäalignment går den AI-assisterade metoden bortom det vanliga ja-eller-nej-betyget i Trendelenburg-testet. Istället för att bara ange om testet är positivt eller negativt skulle kliniker kunna dokumentera exakt hur många grader bålen lutar eller bäckenet tippar och följa dessa värden över tid när patienter återhämtar sig efter operation eller genomgår rehabilitering. Eftersom systemet använder en vanlig smartphone och en färdig app kan det bli brett tillgängligt om det visar sig vara tillräckligt exakt. Studien jämförde inte noggrannheten mot avancerade laboratoriesystem eller inkluderade friska frivilliga, så resultaten bör ses som bevis på att metoden är genomförbar, inte som en ersättning för guldstandardverktyg ännu.

Från genomförbarhet till vardagligt bruk

I vardagstermer visar denna forskning att en snabb smartphonevideo kan fånga subtila skiftningar i hur kroppen balanserar på ett ben—information som vore svår för blotta ögat att kvantifiera. Patienter med höftproteser håller ofta bäckenet i nivå genom att luta bålen och förändra knäets linjering i stället för att synligt sänka bäckenet. Med ytterligare tester i större och mer varierade grupper, och med jämförelser mot avancerade 3D-rörelsesystem, skulle denna enkla uppställning kunna utvecklas till ett praktiskt sätt att övervaka höftfunktion och styra säkrare och mer effektiv rehabilitering i vanliga kliniker.

Citering: O’Sullivan, K., Doyle, T., Quinn, E. et al. AI-assisted video analysis of the Trendelenburg test: a feasibility study. Sci Rep 16, 7733 (2026). https://doi.org/10.1038/s41598-026-38980-z

Nyckelord: svaghet i höftens abduktorer, Trendelenburg-testet, AI-rörelseanalys, total höftprotes, gångbedömning