在异动态膝盖数据的禾中找到针:随机森林建模改进了有关ACLR相关缺陷的信息

科学领域:

• 运动医学 运动医学
• 康复科学 康复科学 康复科学
• 运动中的机器学习

背景情况:

• 前十字带 (ACL) 受伤后的康复和在受伤前的表现仍然具有挑战性.
• 异动力测试是评估体育回归 (RTS) 过程中的力量的常用方法.
• 识别客观标记以指导RTS决策对于运动员的康复至关重要.

研究的目的:

• 利用机器学习来识别异动力学强度参数,使运动员在ACL重建后 (ACLR) 与健康对照区分开来.
• 评估机器学习模型在区分ACLR运动员和对照者的预测性能.
• 确定在预测运动员状态方面最具影响力的特定异动力学指标.

主要方法:

• 两种随机森林机器学习模型使用异动力学数据 (在30°/s和150°/s的同心和偏心膝盖曲器/延伸器测试) 进行训练.
• 从366名男性 (63名ACLR后) 和183名女性 (72名ACLR后) 运动员中收集了数据.
• 交叉验证用于评估预测性能,并使用累积局部效应图表来确定特征影响.

主要成果:

• 随机森林模型显示,男性 (AUC=0.90) 和女性 (AUC=0.92) 运动员的预测准确度很高.
• 发现的最有影响力的特征与受伤/非主导腿部和四肢间不对称有关.
• 150°/s的异常腿筋工作成为最重要的单一差异化参数.

结论:

• 机器学习,特别是随机森林模型,可以有效地区分ACLR后运动员与健康对照者,使用异动力学数据.
• 专注于腿筋强度,特别是在更高速度的异常工作,以及腿部对称性,对于评估RTS准备度至关重要.
• 整合这些特定的异动力学措施可以提高RTS过程的客观性和有效性.