《Frontiers in Physiology》:Biomechanical and movement-quality predictors of lower-limb load-related injury in collegiate athletes: a prospective cohort study using functional movement screening, wearable inertial sensing, and explainable machine learning
编辑推荐:
下肢负荷相关损伤(lower-limb load-related injury)在大学生体育中造成不成比例的时间损失,但区分受伤与未受伤运动员的生物力学(biomechanical)和运动质量(movement-quality)因素仍未得到充分表征。该前瞻性队
下肢负荷相关损伤(lower-limb load-related injury)在大学生体育中造成不成比例的时间损失,但区分受伤与未受伤运动员的生物力学(biomechanical)和运动质量(movement-quality)因素仍未得到充分表征。该前瞻性队列研究随访了161名大学生运动员一个竞技赛季,在可解释机器学习(explainable machine learning)框架内整合了功能性动作筛查(Functional Movement Screen, FMS)任务级评分与可穿戴惯性测量单元(inertial measurement unit, IMU)衍生特征,包括峰值胫骨加速度不对称性(peak tibial acceleration asymmetry)、替代垂直负荷率(surrogate vertical loading rate)和骨盆–躯干稳定性指数(pelvis–trunk stability indices)。研究人员在嵌套五折交叉验证(nested five-fold cross-validation)与嵌入式LASSO(least absolute shrinkage and selection operator)特征选择下,比较了仅FMS、仅可穿戴和融合配置中的四种分类器。共记录37例负荷相关时间损失损伤(23.0%发生率)。融合XGBoost模型的折外AUC(area under the receiver operating characteristic curve)为0.70(95% CI:0.61–0.79),以统计学显著幅度优于仅FMS(AUC 0.62)和仅可穿戴(AUC 0.64)配置。非优势侧峰值胫骨加速度不对称性和替代负荷率是最强生物力学预测因子;在FMS输入中,直线弓步(in-line lunge)和主动直腿抬高(active straight-leg raise)任务评分贡献最大。生物力学特征在既往损伤史之外增加独立AUC增量0.07。SHAP(SHapley Additive exPlanations)分析识别出胫骨冲击不对称性与直线弓步评分之间的交互作用,满足预设方向稳定性标准。这些发现建立了损伤风险生物力学表型的生理可解释模板,支持在大学生运动人群中联合使用可穿戴传感与任务级运动筛查。
论文解读:
研究背景:下肢损伤在大学生竞技体育中常见且造成大量训练和比赛时间损失。许多常见表现如胫骨应力损伤、髌腱和跟腱腱病、复发性软组织拉伤,并非孤立意外,而是重复机械负荷超过骨与结缔组织适应能力的缓慢生理过程终点。骨重塑中修复相滞后于微损伤累积;肌腱胶原合成和结构重组也滞后于机械刺激。因而负荷相关损伤可理解为累积机械暴露与神经肌肉及组织耐受能力之间的失配。既往工作强调急性/慢性负荷平衡。传统功能性动作筛查(Functional Movement Screen, FMS)为七项运动质量评分工具,用总分预测损伤,但证据不一致:总分阈值14的预测价值有限,meta分析AUC约0.59,敏感性常低于0.30。总分压缩了具体动作模式信息。可穿戴惯性测量单元(inertial measurement unit, IMU)可量化冲击负荷、负荷率和肢体间不对称,但胫骨加速度只是冲击负荷的外周替代指标,非直接骨应力;且运动筛查与可穿戴数据常被孤立分析。机器学习可处理非线性多源关系,但损伤预测领域存在数据泄漏、性能高估、可解释性不足等问题。因此研究人员开展前瞻性队列,旨在识别可量化生物力学和运动质量因素,比较仅FMS、仅可穿戴与融合配置,并探索跨源交互。
关键技术方法(≤250字):研究为单赛季前瞻性队列,遵循STROBE和TRIPOD+AI报告规范。样本来自大学足球队、篮球队和田径队等具有显著跑动和变向需求的队伍,共招募168名大学生运动员,161名完成赛季并进入主分析;来源为单一高校。赛前两周完成FMS七项任务,保留任务级0–3分而非总分;同时佩戴三个IMU:骶骨L5–S1和双侧胫骨远端前内侧,胫骨1000 Hz、骶骨200 Hz。衍生冲击负荷、肢体间不对称指数(ASI)和骨盆–躯干稳定性特征。结局为首发下肢负荷相关时间损失损伤(time-loss injury)。采用嵌套五折交叉验证、内层LASSO特征选择、SMOTE(synthetic minority over-sampling technique)处理不平衡,比较正则化逻辑回归、随机森林、XGBoost和支持向量机(support vector machine, SVM),并进行FMS-only、wearable-only和融合消融、DeLong检验、SHAP解释及置换稳定性分析。
研究结果:
3.1 参与者特征与损伤发生率:在168名赛前入组者中,161名完成赛季;分析队列90名男性、71名女性,平均年龄20.4±1.6岁,身体质量指数(body-mass index, BMI)22.8±2.4 kg/m
2,FMS总分均值15.1±2.1。FMS评分组内相关系数(intraclass correlation coefficient, ICC)为0.83(95% CI:0.76–0.89)。40名(24.8%)报告入组前12个月有下肢损伤。30周赛季记录37例首发下肢负荷相关时间损失损伤,季节发生率23.0%(95% CI:16.6–30.3%);亚型包括髌腱/跟腱腱病11例、胫骨应力损伤9例、腘绳肌/小腿拉伤9例、足踝过度使用8例;14例急性接触伤按方案排除。中位损伤时间11.4周(四分位距IQR:7.2–18.6周)。受伤者既往损伤比例45.9%,未伤者18.5%,差异显著(χ
2(1)=11.43,p<0.001)。预选事件数/变量(events per variable, EPV)为1.6,LASSO后为4.1–9.3。
3.2 候选生物力学与运动质量预测因子及超越损伤史的增量价值:对最佳树模型融合XGBoost进行全局SHAP(SHapley Additive exPlanations)分析,既往损伤史贡献最大;生物力学特征中峰值胫骨加速度不对称指数(peak tibial acceleration asymmetry index, ASI-PTA)排第二,较高不对称性与损伤概率升高相关;非优势侧替代垂直负荷率排第三,在约1.8 g·ms
?1以上呈总体单调正相关。FMS任务中直线弓步(in-line lunge, ILL)和主动直腿抬高(active straight-leg raise, ASLR)贡献最大,评分为1时预测风险上移;深蹲贡献中等,骶骨角速度范围也中等。选择频率显示既往损伤史100%、ASI-PTA 92%、非优势侧替代负荷率84%、ILL 80%为稳健特征;ASLR 72%、骶骨角速度范围64%中等;深蹲、年龄、性别、BMI低于50%。正则化逻辑回归保持方向和相对排序。排除既往损伤后,仅生物力学模型折外AUC为0.63(95% CI:0.53–0.73),加入损伤史后为0.70(95% CI:0.61–0.79),增量0.07(DeLong p=0.038),表明两来源携带独立预测信号。
3.3 数据源配置比较:三种消融配置中,融合配置判别性能最高。融合XGBoost折外AUC 0.70(95% CI:0.61–0.79),PR-AUC(area under the precision–recall curve)0.43(95% CI:0.31–0.55);FMS-only AUC 0.62(0.52–0.72),PR-AUC 0.36;wearable-only AUC 0.64(0.54–0.74),PR-AUC 0.38。无技能PR-AUC基线为0.23。融合较FMS-only AUC差0.08(DeLong p=0.031),较wearable-only差0.06(p=0.047);两单源间差0.02(p=0.41)。分类器中XGBoost融合AUC最高,随机森林0.68、正则化逻辑回归0.65、SVM 0.64,置信区间重叠;平均保留特征数分别为5.1、5.8、7.4;每折阳性事件6–9,最佳模型折AUC 0.58–0.79。性别分层男0.67、女0.69,置信区间重叠,未继续分层建模。
3.4 模型可靠性与校准:融合XGBoost在原始非重采样类别分布上Brier评分为0.171,无技能基线为0.177。最佳敏感度+特异度阈值下,敏感度0.57(95% CI:0.40–0.73),特异度0.76(95% CI:0.68–0.84),阳性预测值0.46,F1 0.51。SMOTE敏感性分析AUC提高约0.02,Brier在原始分布上为0.171与0.178。时间分割检验中,后12周仅11例事件,不足以稳定估计折AUC,未报告数值,但未观察到早晚期预测系统性反转。
3.5 探索性跨源交互效应:SHAP交互分析发现一个中等稳定跨源交互:ASI-PTA升高与ILL评分为1共存时,预测风险较两者主效应额外上移(平均交互SHAP=0.09)。在200次置换重采样子集中保留71%,达到预设70%方向稳定性阈值。替代负荷率与ASLR评分的次要交互方向一致,但保留68%,低于阈值,仅报告不解释。无其他跨源交互超过阈值。
讨论部分总结:主要发现为,最强信号来自峰值胫骨加速度不对称和非优势侧替代垂直负荷率,FMS中ILL和ASLR贡献最大,指向肢体间负荷失衡和神经肌肉控制缺陷,而非整体运动质量或绝对冲击幅度。既往损伤史仍为最大单预测因子,但生物力学特征在既往损伤史之外增加独立AUC 0.07,提示其反映当前负荷–耐受状态。融合优于单源但幅度适中,保留特征数说明并非维度增加所致;XGBoost未以清除置信区间重叠的幅度超过正则化逻辑回归,保留其用于SHAP分析是因交互分解需要非加性结构。生理机制上,骨重塑破骨吸收先于成骨形成,适应滞后时风险升高;非优势肢体习惯低负荷后遭遇高应变,以及肌腱胶原合成滞后,均可解释负荷率与不对称的贡献。FMS任务级信息比总分更有意义,ILL和ASLR分别反映分腿站立稳定/髋踝活动度及后链延展性。临床转化上,该框架不能作为独立筛查工具,支持生物力学表型;建议保留任务级FMS评分,对异常者增加三传感器IMU跑步试验,双指标异常者优先早期赛季负荷监控。局限包括事件数少、EPV低于10、单中心、单赛季、无赛季内负荷数据、无外部验证、结局亚型聚合、性别分层事件不足;未来需外部验证、更大样本、连续负荷监测、组织水平评估、多中心、重复测量及心理睡眠变量等。
研究结论部分翻译:本研究旨在识别携带大学生运动员下肢负荷相关损伤信号的可量化生物力学与运动质量特征,并检验可穿戴衍生信息与FMS衍生信息结合是否较任一单独来源增加判别价值。结果支持对两个问题的肯定回答,但均附重要限定。胫骨冲击负荷的肢体间不对称性和非优势侧替代垂直负荷率成为预测贡献最强且最一致的生物力学特征,ILL和ASLR评分在FMS任务输入中增加有意义信号。这些特征而非绝对负荷幅度或整体运动质量主导SHAP排名具有生理一致性:驱动应力性损伤和腱病适应性失败的是组织已适应吸收的负荷与实际要求承受负荷之间的不匹配,而非孤立负荷水平。既往损伤史仍为最大单一预测因子,但生物力学特征集在其之外贡献独立增量,提示可穿戴传感与运动筛查共同捕获损伤史无法反映的当前负荷–能力关系。两数据源融合一致优于任一单独来源且具统计支持,保留特征数确认优势非维度假象。增量幅度适中——在事件数限制模型学习的情况下应当如此——且无集成分类器以清除置信区间重叠的幅度超过正则化逻辑回归,与前瞻性损伤预测文献一致,提示当根本约束是数据量而非模型表达力时不应过度投资算法复杂性。唯一满足预设方向稳定标准的跨源交互——升高的胫骨冲击不对称性与受损的ILL评分共存——机制上合理,值得作为可检验假设推进;次要负荷率–ASLR交互未达阈值,此处不解释。嵌套交叉验证下融合AUC 0.70处于前瞻性损伤预测研究反复遇到的实际上限内,校准较无技能基线改善但幅度有限。这些数字不支持作为筛查工具临床部署,但支持将该框架作为生物力学表型的结构化方法——在个体运动员层面呈现群体水平分析所关联的特定负荷不对称与运动质量缺陷组合。这种可见性是否转化为损伤负担降低取决于实践者如何使用,属于干预研究问题。本工作确立的是:相关特征可用可及技术量化,其组合以生理可解释方式增加信息,且此处计算框架——具有明确防泄漏设计、校准评估和探索性发现预设稳定性标准——为未来更大规模前瞻性研究提供方法学模板。在独立外部重复验证前,这些发现不能指导实践。