Koşu analiziyle ön çapraz bağ yaralanması profillerinin sınıflandırılması: makine öğrenimi yaklaşımı

Neden diz yaralanmaları aktif insanlar için önemlidir

Birçok sporcu ve aktif kişi için diz bağının yaralanması, hareket biçimini kalıcı olarak değiştirebilen bir dönüm noktası olabilir. Ön çapraz bağ (ACL), dizde önemli bir dengeleyicidir ve kesme, zıplama ve ani duruşlar içeren sporlarda yırtılmalar sıktır. Ameliyat ve aylara yayılan rehabilitasyona rağmen, kişiler sıklıkla önceki performans seviyelerine dönemezler ve erken artrit riskiyle karşılaşabilirler. Bu çalışma, bilgisayarların ACL ameliyatı sonrası insanların koşu biçimlerindeki gözle veya standart testlerle yakalanamayacak kadar ince değişiklikleri tespit edip edemeyeceğini araştırıyor.

Çalışma koşu desenlerini nasıl inceledi

Araştırmacılar 30 genç sporcuyu kaydetti: 15 sağlıklı ve son 5–8 ay içinde ACL rekonstrüksiyonu geçirmiş 15 kişi. Hepsi ağrısızdı, terapistleri tarafından onaylanmıştı ve futbol, futsal, dövüş sporları ve voleybol gibi benzer seviyelerde rekabet ediyordu. Her sporcu, sabit hızda özel bir enstrümante koşu bandında koştu; kemerin altındaki sensörler ayaklarının yüzeye temas şeklini kaydetti. Bu düzeneğe dayanarak ekip, her adım ve stridin ne kadar sürdüğü, ayağın yerde veya havada kaldığı süreler, adımın kat ettiği mesafe ve ayağın altındaki kuvvetlerin ve basınç merkezinin ne kadar hızlı hareket ettiği gibi temel koşu özelliklerini ölçtü.

Karmaşık hareketi kullanılabilir veriye dönüştürmek

Koşu yüksek derecede tekrarlı bir eylemdir; bu yüzden zamanlama veya yüklenmedeki küçük değişiklikler binlerce adım boyunca birikebilir. Koşu bandı, tüm katılımcılarda toplam 2.470 bireysel stridi yakalayarak zengin ama karmaşık bir veri seti oluşturdu. Bunları anlamlandırmak için araştırmacılar önce hiçbir tek ölçütün daha büyük ölçek nedeniyle tek başına baskın olmasını önlemek amacıyla verileri standartlaştırdı. Ardından önemli varyasyonu koruyarak veriyi sıkıştıran matematiksel bir yöntem uyguladılar. Bundan sonra stride zamanı, duruş (stance) zamanı, salınım (swing) zamanı, adım ve stride uzunluğu, tepe dikey kuvvet, bu kuvvetin ne kadar hızlı yükseldiği ve ayağın altındaki basınç merkezinin öne ve yana doğru ne kadar hızlı hareket ettiği gibi 11 temel koşu özelliğine odaklandılar.

Bilgisayarların sağlıklı ve yaralanmış koşucuları ayırmasına izin vermek

Ölçülen bu özelliklerle ekip, sağlıklı koşucuları ACL öyküsü olanlardan ayırmak için çeşitli makine öğrenimi modellerini eğitti. Karar ağaçları, rastgele ormanlar, destek vektör makineleri ve sinir ağları gibi yaygın araçların bir aralığını denediler. Kendilerini yanıltmamak için, herhangi bir kişinin stride’larının ya tamamen eğitim setinde ya da tamamen test setinde tutulduğu dikkatli bir test yaklaşımı kullandılar. Böylece modeller, yalnızca aynı kişiden yeni adımları değil, yeni insanları genellemek zorunda kaldı. En iyi performansı, her yeni stride’ı daha önce gördüğü benzer stride’larla karşılaştıran basit bir yöntem olan K en yakın komşu sağladı. Bu yöntem stride’ları çok yüksek doğrulukla ve iki grubu neredeyse kusursuz ayırma yeteneğiyle doğru sınıflandırdı.

Bir koşucunun stride’ında en çok ne önemlidir

Yazarlar sadece koşucuları sağlıklı veya ACL onarımı yapılmış olarak etiketlemekle kalmayıp, koşu deseninin hangi parçalarının en faydalı bilgiyi taşıdığını da öğrenmek istediler. Birkaç model boyunca zamanlama özellikleri öne çıktı. Özellikle stride zamanı, duruş zamanı ve salınım zamanı ile ayağın altındaki basınç merkezinin öne doğru ne kadar hızlı hareket ettiği önemli bulundu. Bu sonuçlar, ACL ameliyatı sonrası kişilerin her bir bacak üzerinde geçirdikleri süreyi ve eklemlerini nasıl yüklediklerini sıklıkla değiştirdiklerini gösteren önceki araştırmalarla uyumlu; gözleyenlere normal görünen koşuda bile bu farklılıklar olabilir. Daha basit bir karar ağacı modeli yorumlanması daha kolay olsa da, birçok ağacı birleştiren veya çok sayıda komşuya dayanan modeller kadar verinin karmaşıklığını iyi yönetemedi.

Rehabilitasyon ve spora dönüş için bunun anlamı ne olabilir

Çalışma, dikkatle toplanmış koşu bandı verilerinin modern bilgisayar analizleriyle eşleştirildiğinde ACL rekonstrüksiyonundan sonra insanların koşu biçimlerindeki kalıcı değişiklikleri ortaya çıkarabileceğini öne sürüyor. Günlük sporcular için bu, rehabilitasyon sırasında adımlarının gerçekten normalleşip normalleşmediğini vurgulayan hızlı, veri temelli kontrollere bir gün dönüşebilir. Klinikler güç veya ağrı düzeyine odaklanmak yerine stride boyunca zamanlama ve koordinasyonun iyileştirilmesine yönelik antrenmana odaklanabilir. Benzer modeller giyilebilir cihazlara veya gerçek zamanlı geri bildirim sistemlerine entegre edilirse, yeniden yaralanma riskini daha erken tespit etmeye ve daha kişiselleştirilmiş egzersiz planlarına rehberlik etmeye yardımcı olabilir; uzun vadeli amaç ise erken artrit gibi kronik diz problemlerinin riskini azaltmaktır.

Atıf: 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

Anahtar kelimeler: ACL yaralanması, yürüyüş analizi, makine öğrenimi, koşu biyomekaniği, spor rehabilitasyonu