Klassificering av frambenets korsbandsskador genom löpanalys: en maskininlärningsmetod

Varför knäskador spelar roll för aktiva personer

För många idrottare och aktiva personer kan ett skadat knäband bli en vändpunkt som förändrar hur de rör sig för livet. Det främre korsbandet, eller ACL, är en viktig stabilisator i knät och bristningar är vanliga i sporter som involverar riktningsförändringar, hopp och snabba stopp. Även efter operation och månaders rehabilitering återgår många inte till sin tidigare prestationsnivå, och de kan ha ökad risk för tidig artros. Denna studie undersöker om datorer kan upptäcka små förändringar i hur människor springer efter ACL-operation — förändringar som är för subtila för ögat eller standardtester att fånga upp.

Hur studien undersökte löpmönster

Forskarna rekryterade 30 unga idrottare: 15 som var friska och 15 som genomgått ACL-rekonstruktion under de senaste 5 till 8 månaderna. Alla var smärtfria, godkända av sina terapeuter och tävlade på liknande nivåer i sporter som fotboll, futsal, kampsport och volleyboll. Varje idrottare sprang på ett särskilt instrumenterat rullband i jämn hastighet medan sensorer under löpytan registrerade hur deras fötter tog kontakt. Ur denna uppställning mätte teamet grundläggande löpegenskaper såsom hur lång varje steg och löpsteg var, hur länge foten var i eller utanför marken, hur långt varje steg var, samt hur snabbt krafter och tyngdpunktsförskjutning rörde sig under foten.

Att omvandla komplex rörelse till användbar data

Löpning är en starkt repetitiv handling, så även små förändringar i timing eller belastning kan ackumuleras över tusentals steg. Rullbandet fångade 2 470 individuella steg över alla deltagare och skapade en rik men komplex datamängd. För att göra den begriplig standardiserade forskarna först siffrorna så att ingen enskild måttvariabel dominerade bara för att den hade en större skala. De använde sedan en matematisk metod för att komprimera data samtidigt som de behöll det mesta av den viktiga variationen. Därefter fokuserade de på 11 nyckelfunktioner i löpningen, inklusive stegtid, stödtid, svängfasstid, steglängd och löpstegslängd, maximal vertikal kraft, hur snabbt den kraften ökade, och hur snabbt trycket förflyttade sig framåt och sidledes under foten.

Låta datorer skilja friska och skadade löpare

Medd dessa mätta egenskaper tränade teamet flera typer av datorprogram, så kallade maskininlärningsmodeller, för att skilja friska löpare från dem med historik av ACL-skada. De testade en rad vanliga verktyg, inklusive beslutsträd, slumpmässiga skogar, supportvektormaskiner och neurala nätverk. För att undvika självbedrägeri använde de ett noggrant testförfarande där steg från en och samma person antingen hölls helt i träningsuppsättningen eller helt i testuppsättningen. På så sätt var modellerna tvungna att generalisera till nya personer, inte bara till nya steg från samma person. Stjärnprestationen var metoden K närmaste grannar, som jämför varje nytt steg med liknande steg den sett tidigare. Den klassificerade steg med mycket hög noggrannhet och nästan perfekt förmåga att skilja de två grupperna.

Vad som betyder mest i en löpares stegcykel

Utöver att bara märka löpare som friska eller ACL-opererade ville författarna veta vilka delar av löpmönstret som bar mest användbar information. I flera modeller steg tidsmässiga egenskaper fram som viktigast. Stegtid, stödtid och svängfasstid var särskilt viktiga, tillsammans med hur snabbt tyngdpunktsförskjutningen rörde sig framåt under foten. Dessa resultat stämmer med tidigare forskning som visar att personer efter ACL-operation ofta ändrar hur lång tid de står på varje ben och hur de belastar sina leder, även om deras löpning ser normal ut för observatörer. Medan en enklare beslutsträdsmodell var lättare att tolka hanterade den inte datans komplexitet lika bra som modeller som kombinerar många träd eller förlitar sig på många grannar.

Vad detta kan innebära för rehabilitering och återgång till sport

Studien antyder att noggrant insamlade rullbandsdata i kombination med modern datoranalys kan avslöja kvarstående förändringar i hur människor springer efter ACL-rekonstruktion. För vanliga idrottare skulle detta en dag kunna översättas till snabba, databaserade kontroller under rehabilitering som visar om steget verkligen normaliserats eller fortfarande bär mönster kopplade till ökad belastning på knät. Kliniker skulle kunna rikta träningen mot förbättrad timing och koordination över hela steget snarare än enbart styrka eller smärtnivåer. Om sådana modeller integreras i bärbara enheter eller realtidsåterkopplingssystem kan de hjälpa till att upptäcka risk för återskada tidigare och vägleda mer skräddarsydda träningsprogram, med långsiktigt mål att minska risken för kroniska knäproblem som tidig artros.

Citering: Tavakoli, H., Ataabadi, P.A., Khezri, D. et al. Classification of anterior cruciate ligament injury profiles through running analysis: a machine learning approach. Sci Rep 16, 15010 (2026). https://doi.org/10.1038/s41598-026-44264-3

Nyckelord: ACL-skada, ganganalys, maskininlärning, löpsbiomekanik, idrottsrehabilitering