Doğrulanmış bir kadavra modeli kullanılarak ACL yaralanmasında diz alt ekstremite biyomekanik yıkım belirleyicilerini belirlemek için makine öğreniminin kullanımı

Hareket halindeki dizler için neden önemli

Sporcular, askerler ve aktif kişiler için dizdeki ön çapraz bağın (ACL) yırtılması hayatı değiştirebilen bir yaralanmadır; genellikle cerrahi ve uzun rehabilitasyon gerektirir. Günümüz tıbbı bağın yırtıldığını sonradan doğrulamada çok iyidir, ancak dizin neredeyse kopmak üzere olduğunu önceden uyarmada çok daha yetersizdir. Bu çalışma, makine öğreniminin — verilerden desenler öğrenen bilgisayar programlarının — bir yırtılmadan milisaniyeler önce dizdeki tehlikeli yüklenmeyi tespit edip edemeyeceğini ve bu uyarı işaretlerinin pratik giyilebilir sensörlerle yakalanıp yakalanamayacağını araştırıyor.

Araştırmacıların diz yaralanmalarını yeniden oluşturma biçimi

Yaralanmaları yalnızca gerçek oyuncularda meydana geldikten sonra incelemek yerine ekip, gerçekçi ACL yırtılmalarını laboratuvarda yeniden oluşturmak için özel bir mekanik tertibat ve bağışlanmış kadavra bacaklar kullandı. Simülatör, her dizi aynı anda birkaç yönde itip bükerek, bir sporcunun zıplamadan iniş yaptığı veya yön değiştirmek için kesme hareketi yaptığı sırada görülen karmaşık kuvvetleri taklit etti. ACL ve çevresindeki yapılara yerleştirilen küçük sensörler ligamentin ne kadar gerildiğini kaydederken, kuvvet plakaları ve yük hücreleri ayak ve dizdeki kuvvetlerin yönlerini ve büyüklüklerini ölçtü. 51 örnekten, yer temasına ilişkin kilit anlarda onlarca ölçüm çıkarıldı; bunun yanı sıra cinsiyet, boy ve kilo gibi temel bilgiler kaydedildi.

Ham hareketi risk etiketlerine dönüştürmek

Bu verileri bilgisayar modelleri için kullanışlı hâle getirmek amacıyla araştırmacılar her bir etkiyi birkaç aşamadan birine etiketlediler: açıkça herhangi bir hasardan önceki dönem (“ön-yırtılma”), ligamentin başarısız olmasından hemen önceki tek deneme (“yırtılmadan önceki deneme”), gerçek yırtılma (“yırtılma”) ve daha sonraki bir “sonra-yırtılma” evresi. Gerçek zamanlı tahmin için yalnızca ilk üç evre anlamlı olduğundan sonra-yırtılma verileri çıkarıldı. Ardından dört ilişkili veri seti oluşturuldu. İkisi 53 laboratuvar standardındaki tüm ölçümleri içeriyordu; diğer ikisi ise ilk ayak temasındaki kuvvetler gibi gerçekçi olarak giyilebilir cihazlardan elde edilebilecek 13 sinyale indirildi. Her çift içinde, bir versiyon üç sınıfı kullandı (ön-yırtılma, yırtılmadan önceki deneme, yırtılma), diğer versiyon ise son iki sınıfı daha basit bir ayrımda birleştirerek güvenli versus “artmış risk” olarak ayırdı.

Makinelere tehlike desenlerini öğretmek

Ekip, basit lojistik regresyondan karar ağaçlarına, rastgele ormanlara, gradyan artırma ve lineer diskriminant analizine kadar sekiz yaygın makine öğrenimi yaklaşımını test etti. Bu modelleri dizlerin çoğunun verileriyle eğittiler ve ardından modellerin hiç görmediği dizlerde performansı kontrol ettiler; böylece algoritmaların bireysel örnekleri ezberlemesi engellendi. Zengin, laboratuvar tabanlı veriler için en iyi modeller, üç ayrıntılı aşamaya ait etkileri yaklaşık %80–87 doğrulukla sınıflandırdı. Etiketler yalnızca “ön-yırtılma” ve “artmış risk” olarak basitleştirildiğinde doğruluk yaklaşık %92–95’e yükseldi. Kısıtlı, giyilebilir tarzı verilerle üç sınıf doğruluğu daha düşüktü, yaklaşık %60–77 aralığında, ancak sınıflar güvenli ve artmış risk olarak birleştirildiğinde yine yaklaşık %81–83’e çıktı.

Bilgisayarların hareket içinde buldukları

Tüm modeller ve veri setleri boyunca çarpıcı bir desen ortaya çıktı: en bilgilendirici ipuçları iniş sırasında çok erken ortaya çıkan kuvvetlerden geliyordu. Ayak yere değdikten sadece 33 milisaniye sonra ölçülen kuvvetler, özellikle bacağı ileri–geri ve dikey yönde iten/çekien kuvvetler, en önemli özellikler arasında tekrar tekrar sıralandı. Dizdeki tepe burkulma ve bükülme momentleri ile ilk temas anındaki kuvvetler de önemliydi. Buna karşılık, cinsiyet veya boy gibi demografik özellikler, bu hızlı kuvvet imzaları kullanılabildiğinde ancak ikincil bir rol oynadı. “Yırtılmadan önceki deneme” ile “yırtılma” evreleri biyomekanik olarak çok benziyordu; bu da modellerin bunları ayırt etmekte zorlanmasını ama her ikisini de daha güvenli ön-yırtılma denemelerinden güvenilir şekilde ayırabilmesini açıklıyor. Pratik açıdan bu, diz tehlikeli bir yüklenme desenine girdiğinde «neredeyse yırtılma» ile «yırtılma» arasındaki pencerenin çok kısa olduğunu gösteriyor.

Laboratuvar tezgahlarından akıllı korselere ve sahalara

Uzman olmayanlar için ana mesaj şudur: dizlerimiz inişten sonraki ilk birkaç milisaniyede rahatsızlık işaretlerini yayıyor ve bilgisayar modelleri bu ince sinyalleri okumayı öğrenebiliyor. Erken darbe kuvvetlerine — bacağın ilk temas anında nasıl itildiğine, çekildiğine ve döndürüldüğüne — odaklanarak, makine öğrenimi sistemleri dizin normal yüklemeden yüksek riskli duruma kaydığını güvenilir şekilde işaretleyebilir; üstelik bu veriler giyilebilir sensörler için yeterince basit olabilir. Çalışma kadavra dizlerde ve sınırlı bir örneklemde yapıldığı için yaşayan sporculara uygulanması daha fazla çalışma, daha büyük veri setleri ve muhtemelen daha gelişmiş algoritmalar gerektirecek. Yine de bu çalışma, hareket paterni felaketle flört ettiğinde oyuncuları ve antrenörleri uyaran geleceğin akıllı korseleri, ayakkabı tabanları veya saha başı sistemleri için temel oluşturuyor; ACL bakımını yırtılmadan sonra reaktif cerrahi modelinden proaktif yaralanma önlemeye döndürebilir.

Atıf: 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

Anahtar kelimeler: ACL yaralanması tahmini, spor biyomekaniği, tıpta makine öğrenimi, giyilebilir sensörler, diz yaralanması önleme