Användning av maskininlärning för att identifiera biomekaniska prediktorer i nedre extremiteten för ruptur i en validerad kadavermodell av korsbandsskada

Varför detta spelar roll för rörliga knän

För idrottare, soldater och aktiva personer kan ett avbrutet främre korsband (ACL) i knäet vara en livsförändrande skada som ofta kräver operation och lång rehabilitering. Dagens medicin är mycket bra på att fastställa att ligamentet är avbrutet i efterhand, men långt mindre kapabel att varna någon att deras knä är på väg att ge vika. Denna studie undersöker om maskininlärning — datorprogram som lär sig mönster ur data — kan upptäcka farlig belastning på ett knä millisekunder innan ett brott, och om sådana varningssignaler så småningom skulle kunna fångas av praktiska bärbara sensorer.

Hur forskarna återskapade knäskador

I stället för att endast studera skador efter att de inträffat hos riktiga spelare använde teamet en specialiserad mekanisk rigg och donerade kadaverben för att återskapa realistiska ACL‑rupturer i laboratoriet. Simulatorn pressade och vred varje knä i flera riktningar samtidigt, vilket efterliknade de komplexa krafter som ses när en idrottare landar från ett hopp eller gör en riktningsförändring. Små sensorer på ACL och omgivande strukturer registrerade hur mycket ligamentet töjdes, medan kraftplattor och lastceller mätte riktningar och storlekar på krafter vid fot och knä. Från 51 preparat extraherades dussintals mätvärden vid nyckelögonblick kring markkontakt, tillsammans med grundläggande information som kön, längd och vikt.

Att omvandla rå rörelsedata till risketiketter

För att göra dessa data användbara för datormodeller märkte forskarna varje påverkan som tillhörande ett av flera skeden: tydligt före skada ("pre‑rupture"), det enskilda försök som omedelbart föregick att ligamentet gav vika ("trial prior to rupture"), själva rupturen ("rupture") och ett senare "post‑rupture"‑skede. För realtids‑prediktion är bara de tre första faserna meningsfulla, så post‑rupture‑data togs bort. De skapade därefter fyra besläktade dataset. Två inkluderade alla 53 laboratoriekvalitetsmätningar; de andra två krympte detta till 13 signaler som realistiskt skulle kunna komma från bärbara enheter, såsom krafter vid initial fotkontakt. I varje par använde en version tre klasser (pre‑rupture, trial before rupture, rupture), medan den andra slog ihop de två sista till en enklare uppdelning: säker kontra "förhöjd risk."

Att lära maskiner att känna igen faromönster

Teamet testade åtta vanliga maskininlärningsmetoder, från enkel logistisk regression till beslutsträd, random forests, gradient boosting och linjär diskriminantanalys. De tränade dessa modeller på data från majoriteten av knäna och kontrollerade sedan prestanda på knän modellerna aldrig sett, för att förhindra att algoritmerna enbart memorerade enskilda preparat. För de rika laboratoriedata var de bästa modellerna korrekta i cirka 80–87 procent av fallen när de klassificerade påverkan i de tre detaljerade skedena. När etiketterna förenklades till endast "pre‑rupture" kontra "förhöjd risk" steg noggrannheten till cirka 92–95 procent. Med de nedskalade data av bärbar typ var tre‑klass‑noggrannheten lägre, runt 60–77 procent, men steg återigen till ungefär 81–83 procent när klasserna slagits ihop till säker kontra förhöjd risk.

Vad datorerna fann i rörelsen

Över alla modeller och dataset framträdde ett tydligt mönster: de mest informativa ledtrådarna kom från mycket tidiga krafter under landningen. Krafter uppmätta redan 33 millisekunder efter att foten träffade marken, särskilt de som pressar och drar benet fram‑bak och vertikalt, rankades upprepade gånger bland de viktigaste funktionerna. Toppar i vrid‑ och böjmoment vid knät, och krafter vid initial kontakt, var också viktiga. I kontrast spelade demografiska egenskaper såsom kön eller längd endast en sekundär roll när dessa snabba kraftsignaturer fanns tillgängliga. "Trial before rupture" och "rupture" såg biomekaniskt mycket lika ut, vilket hjälper förklara varför modellerna hade svårt att skilja dem åt men kunde pålitligt separera båda från de säkrare pre‑rupture‑fallen. Ur ett praktiskt perspektiv antyder detta att när knät går in i ett farligt belastningsmönster är fönstret mellan "nästan avbrutet" och "avbrutet" mycket kort.

Från labbbänkar till smarta knäskydd och spelplaner

För icke‑specialister är huvudbudskapet att våra knän sänder ut tecken på nödläge under de första få tusendelssekunderna efter landning, och att datorbaserade modeller kan lära sig att läsa dessa subtila signaler. Genom att fokusera på tidiga påverkanskrafter — hur benet pressas, dras och vrids vid initial kontakt — kan maskininlärningssystem pålitligt flagga när ett knä skiftar från normal belastning till ett högre riskläge, även med data som är tillräckligt enkla för bärbara sensorer. Studien utfördes på kadaverknän och med ett måttligt urval, så översättning till levande idrottare kommer kräva mer arbete, större datamängder och sannolikt mer avancerade algoritmer. Ändå lägger den grunden för framtida smarta knäskydd, sulor eller system vid sidlinjen som varnar spelare och tränare när ett rörelsemönster flirtar med katastrof, och förvandlar ACL‑vården från en reaktiv efter‑skada‑operationsmodell till proaktiv skadeförebyggande.

Citering: 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

Nyckelord: Prediktion av ACL‑skada, idrottsbiomekanik, maskininlärning inom medicin, bärbara sensorer, förebyggande av knäskador