
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于核心功能测量的可解释机器学习模型评估大学生运动员前交叉韧带损伤风险
《Scientific Reports》:Explainable machine learning classification of anterior cruciate ligament related biomechanical risk phenotypes using core stability measures in physical education students
【字体: 大 中 小 】 时间:2026年09月30日 来源:Scientific Reports 4.9
编辑推荐:
摘要前交叉韧带(ACL)损伤仍是运动医学领域的主要挑战。关于ACL相关风险的机器学习研究很少将直接测量的核心功能与可解释性建模相结合应用于大学生运动员群体。本横断面研究招募了135名体育教育专业学生,构建了一个包含10个特征的评估体系,涵盖静态稳定性、动态稳定性和肌肉力量耐力
前交叉韧带(ACL)损伤仍是运动医学领域的主要挑战。关于ACL相关风险的机器学习研究很少将直接测量的核心功能与可解释性建模相结合应用于大学生运动员群体。本横断面研究招募了135名体育教育专业学生,构建了一个包含10个特征的评估体系,涵盖静态稳定性、动态稳定性和肌肉力量耐力。参与者被归类为由落地运动学和力量比率定义的复合生物力学高风险表型。由于没有参与者被随访观察ACL损伤事件,所有模型分类的是这种替代表型,而非预测损伤。使用10×10重复分层交叉验证对七种机器学习算法进行了比较,XGBoost表现最佳(AUC-ROC = 0.847,灵敏度 = 78.6%,特异度 = 82.8%),优于逻辑回归(ΔAUC = 0.085,P < 0.001)。SHapley加性解释(SHAP)分析发现,Y平衡测试综合得分(平均|SHAP| = 0.312)、侧桥持续时间(0.268)和功能动作筛查总分(0.241)是模型输出最大的贡献因素,且该排名在各折中保持稳定(Spearman ρ = 0.89);功能性动态测量指标的贡献大于单一肌肉力量参数。鉴于采用替代结局指标、单中心设计且缺乏外部验证,该框架属于探索性研究,而非经过验证的筛查工具。需要进行多中心前瞻性验证,以对照实际观察到的ACL损伤。