机器学习方法对预测下肢关节接触负荷的全面审查:当前趋势,常见陷和未来方向

科学领域:

• 生物力学 生物力学
• 计算建模计算建模
• 机器学习在医疗保健中的应用.

背景情况:

• 人类步行分析对于评估运动和肌肉骨疾病至关重要.
• 仪器化3D步态分析是黄金标准,但基于物理的模型提供了更深入的见解.
• 机器学习 (ML) 正在成为临床应用复杂模拟的可行替代方案.

研究的目的:

• 综合机器学习方法来估计下肢关节接触力.
• 审查当前的ML方法,数据要求和步态分析中的验证策略.
• 确定ML在预测联合接触负载方面的挑战和未来方向.

主要方法:

• 按照PRISMA-ScR指南进行系统范围审查.
• 在2014年1月至2024年8月期间,搜索了主要的科学数据库 (PubMed,IEEE Xplore,Scopus,SpringerLink).
• 从27个符合条件的ML研究中提取的数据用于下肢关节接触力估计.

主要成果:

• 研究群体,运动类型,输入数据,ML方法和验证指标存在显著的变化.
• 小型和代表性不足的数据集 (特别是女性) 限制了模型的概括性.
• 不一致的验证和缺乏开放数据/代码阻碍了可复制性和可比性.

结论:

• ML模型显示了准确预测联合接触负荷和力量的潜力.
• 未来的研究必须优先考虑各种数据集,标准化方法和开放科学.
• 整合基于物理的ML方法可以提高步态分析的临床适用性.