用最少的临床数据预测膝关节内收矩对步态再训练的反应-厦门杂志期刊论文发表
娜塔莉亚?罗赫马诺娃，凯瑟琳?库琴贝克尔，彼得?舒尔，里德·费伯，埃尼·哈利拉杰
出版日期： 2022年05月16日
抽象
膝关节骨关节炎是一种由高关节负荷介导的进行性疾病。减少膝关节内收力矩（KAM）的足部进展角度调整（膝关节负荷的替代物）已被证明在减轻疼痛和改善功能方面有效。虽然足部进展角度的改变总体上是有益的，但 KAM 降低在患者中并不一致。此外，定制的干预措施非常耗时，并且需要临床上不常见的仪器。我们提出了一个回归模型，该模型使用最少的临床数据（ 一组在临床上很容易获得的六个特征） 来预测脚趾步态再训练后第一个峰值KAM降低的程度。要使此类模型泛化，训练数据必须很大且可变。鉴于缺乏包含同一患者不同步态的大型公共数据集，我们合成了该数据集。从具有基线和脚趾步态试验（N = 12）的地面事实数据集中学到的见解允许创建一个大型（N = 138）合成数据集来训练预测模型。在由另一个研究小组收集的一组测试数据（N = 15）中，预测了第一个峰值KAM减少，平均绝对误差为0.134%体重*身高（%BW * HT）。该误差小于测试对象基线行走期间第一个峰值KAM的标准偏差（0.306%BW * HT）。这项工作证明了使用合成数据训练预测模型的可行性，并为临床医生提供了一种新工具，可以在不需要步态实验室仪器的情况下预测患者特定步态再训练的结果。
作者摘要
步态再训练是膝关节骨关节炎的保守干预措施，可减轻疼痛并改善功能。虽然为每位患者定制治疗计划可以产生更好的治疗反应，但无法在步态实验室之外进行定制，从而阻止了研究进展成为临床实践的一部分。我们的工作旨在建立一个模型，使用可以在临床上轻松收集的措施，准确预测膝关节骨关节炎患者是否会从非侵入性步态再训练中受益。为了克服缺乏训练预测模型所需的大型数据集的问题，我们根据有限的真实情况实例合成生成了数据（N = 138），并为模型推广到真实数据的能力提供了实验证据（N = 15）。我们的研究结果有助于临床医生利用在临床上收集的数据，轻松识别对治疗性步态再训练有反应的患者。
引文： Rokhmanova N，Kuchenbecker KJ，Shull PB，Ferber R，Halilaj E（2022）用最少的临床数据预测膝关节内收矩对步态再训练的反应。PLoS计算机生物学18（5）：e1009500。https://doi.org/10.1371/journal.pcbi.1009500
编辑 器： Jonathan B. Dingwell，宾夕法尼亚州立大学大学公园：美国宾夕法尼亚州立大学
收到： 九月 14， 2021;接受： 四月 23， 2022;发表： 五月 16， 2022
版权所有： ? 2022 Rokhmanova et al.这是一篇根据知识共享署名许可条款分发的开放获取文章，允许在任何媒体上不受限制地使用，分发和复制，前提是注明原作者和来源。
数据可用性： 用于生成本文所呈现的结果的所有数据、代码和训练模型均可在 https://simtk.org/projects/predict-kam 公开获取。
资金： NR由美国国家科学基金会研究生研究奖学金计划支持，拨款编号为DGE1745016和DGE2140739（https://www.nsfgrfp.org/）。资助者在研究设计，数据收集和分析，出版决定或手稿准备方面没有任何作用。本材料中表达的任何意见，发现，结论或建议均为作者的观点，并不一定反映美国国家科学基金会的观点。
竞争利益： 作者宣布不存在相互竞争的利益。
1. 引言
在全球范围内，五分之一的40岁及以上患者患有膝关节骨关节炎，这是一种疼痛性关节疾病，仍缺乏治愈或疾病改善干预措施[1]。疼痛通过药物治疗，而结构软骨则退化，直到关节衰竭，此时建议进行关节置换手术。尽管该病的病因是多因素的，但已知行走期间关节负荷过高会加重疾病进展[2]。骨关节炎更常见于膝关节内侧骨隔室，部分原因是膝关节外翻（弓腿）对准会增加膝关节内侧接触力[3，4]。然而，由于在体内通常无法测量对胫股关节接触面施加应力的力，因此膝关节内收矩（KAM）通常用作膝关节内侧间隙负荷的替代物[5]。较高的KAM峰值[6]和较高的KAM冲动[7]都与骨关节炎进展相关：因此，减少典型双峰KAM的任一峰或两个峰值是非侵入性步态再训练干预的主要目标[8]。
生物力学学家继续努力采取保守干预措施，以最大限度地保持天然关节健康[9]。减少KAM的步态改变策略包括降低行走速度[10，11]，增加躯干摆动[10，12-15]，以及通过脚趾向内或向外行走来改变足部进展角（FPA）[16-22]。对于一些人来说，降低峰值KAM所需的步行速度降低可能对日常生活造成阻碍[11]。据报道，躯干摇摆增加可诱发背痛和失衡[14]。相反，改变足部进展角度可成功降低KAM[23]，并且通常被报告不适感最小的患者首选[18]。脚趾向内侧行走可以通过侧向足部压力中心和中调节膝关节中心来减少KAM的第一个峰值（图1）。在使用脚趾步态进行6周的再训练后，膝关节骨关节炎患者平均将KAM的第一个峰值降低0.44%体重*身高（BW*HT），在1个月的随访中报告膝关节疼痛减轻，功能改善[20]。这种减少与高胫骨截骨术相当[24]，但没有与手术相关的风险[25]。
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
图 1. 脚趾入内步态可减少膝关节内收力矩。
（A）膝盖周围的外部力矩是使用地面反作用力和膝关节中心的杠杆臂计算的。脚趾入式步态使膝关节中心向内侧移动，在姿势的前半部分横向移动足部压力中心，从而减少 KAM。组平均数据[18]说明了（B）脚趾向内步态如何缩短杠杆臂和（C）如何减少KAM。地面反作用力大小（图中未显示）不变。
-厦门杂志期刊论文发表
根据个体定制足部进展角度的变化会导致比非定制干预更大的峰值KAM降低[17]。然而，确定目标足部进展角是一个耗时的适应和评估过程，只能在步态实验室进行。目前，研究人员必须迭代评估一定范围的足部进展角下的KAM减少，依靠测力板和动作捕捉来计算和比较关节力矩。虽然使用可穿戴传感器[26，27]或合成视频数据[28]估计KAM的拟议方法可以帮助减少对步态实验室设备的依赖，但这些方法仍然需要步态数据收集。目前尚无方法可以自动预测KAM减少的程序，以响应步态再训练干预。
为了将步态再训练的处方转化为临床，我们试图建立一个预测模型，仅使用无需步态分析工具即可在临床中获得的特征，通过脚趾入步态减少KAM（图2）。为了使这种模型能够推广到新患者，需要具有基线和脚趾步态的大量训练数据，但这种专门的数据集尚不存在。为了满足这一需求，我们从138名参与者的基线步行数据中合成了脚趾步态。合成脚趾入步态是使用从12名参与者在基线和脚趾内行走的地面事实数据集中提取的学习步态修饰模式生成的。我们在不同实验室收集的独立数据集上评估了合成数据生成方法和预测模型。
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
图 2. 研究概述。
这项研究的重点是建立一个回归模型，该模型使用最少的临床数据来预测脚趾步态再训练后第一个峰值KAM降低的程度。鉴于缺乏包含同一患者的基线和脚趾步态的大型数据集，我们合成了该数据集。膝关节中心（KJC）和足部压力中心（FCP）的步态模式从基线和脚趾步态试验（2.1，斯坦福大学数据集）中学习的地面事实数据集（N = 12）使得能够从仅包含基线步态试验的数据集中创建广泛的合成脚趾入内数据（N = 138）（2.2，卡尔加里跑步损伤诊所数据集）。然后构建一个使用身高，体重，行走速度，肢体对齐，基线FPA和脚趾内FPA的回归模型来预测KAM减少（2.3）。合成数据生成方法和预测模型都使用由单独研究小组收集的数据（N = 15）进行测试（2.4，卡内基梅隆大学数据集）。
https://doi.org/10.1371/journal.pcbi.1009500.g002
2. 方法
道德声明
所有涉及人类参与者的实验程序都得到了每个机构的伦理审查委员会的批准：斯坦福大学机构审查委员会，卡尔加里大学联合健康研究伦理委员会和卡内基梅隆大学机构审查委员会。所有与会者均已书面表示知情同意参加。
2.1 学习步态模式
使用来自12名膝关节骨关节炎受试者的光学运动捕捉和测力板数据（表1，斯坦福大学）来了解步态如何随着脚趾入角的增加而变化。受试者在两种情况下在分带仪器化跑步机上以自我选择的速度行走：正常行走（基线步态）和脚趾指向行走（脚趾内侧步态）。将骨关节炎腿在每种条件下的最后十个步骤用于分析。我们使用四阶零滞后巴特沃兹低通滤波器滤波15 Hz的力数据。足部进展角在实验室水平面中定义为前后轴与连接位于跟骨和第二跖骨头上的标记物的线之间的角度。脚趾向内角是根据参与者的平均基线足部进展角定义的。没有强制执行特定的脚趾入角：平均值和标准偏差（± STD）基线和脚趾入角分别为3.97°（±4.91°）和-5.65°（±4.10°）。
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
表 1. 每个数据集中包含的参与者的摘要人口统计数据。
https://doi.org/10.1371/journal.pcbi.1009500.t001
首先，在每一步中，相对于骨盆中心，在中外侧和前后方向上表达足部的压力中心和膝关节中心。骨盆中心计算为放置在左右前髂嵴和后髂嵴上标记物的质心。然后，我们将从脚跟打击到脚趾脱落的每一步都标准化为0到100%的姿势。对于每个受试者，我们表示脚趾步态期间足部压力中心和膝关节中心轨迹，相对于该受试者在基线步态期间的平均足部压力中心和膝关节中心轨迹。我们按该台阶的脚趾入角标记了所有120个脚趾入入轨迹（10个步长x 12个受试者），并将它们分组到1°到10°的1°条柱中。每个料仓中的步长数范围从 10° 料箱中的 6 个到 5° 料仓中的 21 个。每个条柱内的轨迹均取平均值。我们使用 12 阶的基样条来表示每个平均轨迹，以平滑预测。该订单是通过交叉验证从3到20的范围内选择的;增加超过12不会进一步降低轨迹和样条之间的均方根误差（RMSE）。然后，我们使用这些步态模式来合成新受试者的脚趾入步态，方法是从新受试者的基线轨迹中抵消学习的足部压力中心和膝关节中心轨迹修改（图3）。
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
图 3. 通过习得的模式产生的合成步态。
在从1°到10°的每个脚趾向角处，足部压力中心和膝关节中心（KJC）的所有受试者轨迹都被分档，平均并与花键配合。（A）在给定的脚趾向角下，轨迹表示与基线步态的位置偏移。（B）在这里，通过将学习的偏移量添加到基线轨迹中，预测了具有5°脚趾向角的代表性受试者的膝关节中心位置。
https://doi.org/10.1371/journal.pcbi.1009500.g003
为了测试习得的步态模式是否在受试者之间具有可推广性，我们通过从11名受试者中学习足部压力中心和膝关节中心轨迹以及对左侧受试者进行测试，进行了详尽的离开一出交叉验证。我们将合成的足部压力中心和膝关节中心轨迹与受试者的基线地面反作用力（不随脚趾步态而变化）相结合，使用杠杆臂方法计算KAM。我们使用膝关节中心、足部压力中心和KAM轨迹的平均RMSE（±STD）以及所有受试者第一个峰值KAM的平均绝对误差（MAE）（±STD）将合成KAM与受试者的地面真实脚趾在KAM进行比较。
2.2 合成脚趾步态数据
从真实数据集中提取的学习步态模式用于从仅进行基线步态试验的138名受试者的光学运动捕获数据集中合成脚趾步态（表1，卡尔加里跑步损伤诊所）。在收集数据时，所有受试者都是无痛的，尽管有些人正在经历与下肢跑步相关的损伤。受试者在仪器化的分带式跑步机上以自我选择的速度行走，并收集数据约2分钟。我们使用四阶零滞后巴特沃斯低通滤波器过滤了15 Hz的地面反作用力数据，并删除了没有干净地落在跑步机两个测力板上的台阶。我们将脚趾入内步态模式应用于每个受试者左腿的平均和阶跃归一化膝关节中心和足部压力轨迹中心，每个脚趾向内角从1°到10°，最终数据集为1380个条目（138个受试者x 10个脚趾入角）。第一个峰值KAM从基线到合成脚趾步态的减少以%BW * HT表示，并用作预测模型的反应变量。
2.3 训练预测模型
我们使用合成的脚趾步态数据来训练KAM减少的预测模型。为了确保该模型对没有步态实验室仪器的临床医生有用，我们使用了在诊所中常规收集的输入特征（即身高，体重，基线行走速度，静态膝关节对齐），或者可以使用脚部安装的惯性传感器计算（即基线足部进展角和目标脚趾入角）。静态膝关节对齐是在受试者静止不动时进行的，定义为连接1）外踝和外上髁和2）外上髁和髋关节中心（在额平面）的向量之间的角度，外翻角度定义为正。这些标志可以在临床上通过人工检查和测角测量来识别，并且将来可以通过基于视频的运动捕获更准确地估计。
为了训练线性回归模型来预测第一个峰值 KAM 减少，我们将数据拆分为 80% 的训练、10% 的验证和 10% 的测试集。每个受试者的步态周期仅包含在一组中，以降低表现膨胀的风险。使用训练数据对所有输入要素进行了标准化，使其均值和单位方差为零。为了量化合成数据的模型准确性，我们计算了R2值和MAE（±STD）之间的合成第一峰KAM减少和预测模型的输出。我们还计算了每个受试者所有脚趾入角的合成还原和模型预测之间的平均有符号误差。
2.4 验证步态模式和预测模型
为了评估合成数据生成方法和预测模型对不同环境中收集的数据的推广程度，我们使用在不同实验室收集的光学运动捕获数据（Optitrack，Corvallis，USA）测试了学习的脚趾步态模式和最终的预测模型（表1，卡内基梅隆大学）。在这两种情况下，十五名健康参与者在基线和脚趾向内步态在仪器化跑步机（Bertec，Worthington，USA）上以自我选择的速度行走一分钟。参与者被引导使用在戒圈上提供振动反馈的商业设备（SageMotion，Kalispell，USA），保持相对于基线约5°的脚趾入角，但脚趾入角范围为3°至10°。基线的平均（±STD）角度分别为6.46°（±5.43°）和相对脚趾的-6.60°（±1.72°）。使用从斯坦福大学数据集中学到的步态模式，为每个受试者生成合成的脚趾入足压力中心，膝关节中心和KAM轨迹，如第2.1和2.2节所述。-厦门杂志期刊论文发表
第2.3节中描述的预测模型也在15个新受试者身上进行了评估，使用他们的身高，体重，基线行走速度，静态膝盖对齐，基线足部进展角度和平均脚趾向内角度作为输入特征。我们计算了R2实际第一个峰值 KAM 减少值和预测 KAM 减少之间的值和 MAE（±STD），以及实际和预测峰值 KAM 减少之间的平均有符号误差。为了评估在新数据上测试模型时准确性是否降低，我们比较了合成训练数据、综合测试数据和卡内基梅隆大学测试数据的平均有符号误差。在使用柯尔莫哥洛夫-斯米尔诺夫检验检验正态性测试后，我们将平均有符号误差与单因素方差分析（ANOVA）检验和事后Tukey的诚实显着差（HSD）检验进行了多次比较。我们对所有统计检验都使用了显著性水平 0.05。
3. 结果
3.1 习得的步态模式
合成脚趾卡姆正确地捕捉到所有受试者都减少了他们的第一个KAM峰值。实际第一个KAM峰值的平均[95%置信区间]在基线步态期间为3.065 [2.15， 3.98]%BW*HT，在脚趾步态期间为2.622 [1.71， 3.53]%BW*HT。预测的第一个KAM峰值的平均[95%CI]为2.681 [1.76， 3.61] %BW*HT（图4）。预测膝关节中心和足部中心的压力轨迹在中外侧比在前后方向更准确。估计得到的合成KAM轨迹的RMSE（±STD）为0.253（±0.112）%BW *HT（表2）。
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
图 4. 验证脚趾入模轨迹和第一个峰值KAM减少（斯坦福大学数据集）。
通过“留出一个”交叉验证，来自斯坦福大学数据集的合成脚趾入模轨迹（红色虚线）与真实脚趾在KAM（蓝色虚线）紧密匹配。合成KAM捕获了相对于基线（黑色实线）的KAM第一个峰的受试者内减少，MAE为0.174%BW * HT。左图捕获受试者的平均 （±STD） KAM 轨迹，而右图以 95% 的置信区间显示单个和平均峰值 KAM。
https://doi.org/10.1371/journal.pcbi.1009500.g004
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
表 2. 根据斯坦福大学数据集中的基本实况测量来评估学习的步态模式。
https://doi.org/10.1371/journal.pcbi.1009500.t002
3.2 训练和评估预测模型
预测模型估计了 MAE （±STD） 为 0.095 （±0.072） %BW*HT （图 5） 和 R 时的第一个峰值降低2的 0.87。训练集中 108 名受试者中每个受试者在所有脚趾入角上的平均有符号误差分布在零附近，95% 置信区间为 [-0.020， 0.020]。综合测试集中15名受试者的平均有符号误差也分布在零附近，95%置信区间为[-0.057， 0.061]。脚趾入角是最强的预测因子，线性加权系数为β1 = 0.30（p <0.0001）。静态对准期间外翻角增加（β2 = -0.015，p = 0.0002）和增加重量（β3 = -0.014，p = 0.0025）导致KAM减少较小。基线足部进展角（β4 = -0.0049，p = 0.198），身高（β5 = -0.0041，p = 0.398）和行走速度（β6 = 0.0034，p = 0.375）对KAM的降低没有显着贡献。当仅使用脚趾入角作为特征时，估计KAM减少时MAE（±STD）为0.096（±0.073）%BW * HT。
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
图 5. 使用合成训练数据预测KAM减少（卡尔加里跑步伤害诊所数据集）。
使用来自108名受试者的合成脚趾入内数据来训练预测模型，在15名受试者的测试集上实现了0.0826（±0.0628）%BW *HT的MAE。最佳拟合线（虚线）具有 R2的 0.87。训练集和测试集的有符号误差（实际和预测 KAM 减少之间的差异）同样分布在零附近。
https://doi.org/10.1371/journal.pcbi.1009500.g005
3.3 在单独的数据集上验证习得的步态模式和预测模型
合成脚趾卡姆正确地捕捉到所有受试者都减少了第一个KAM峰值。实际第一个峰值KAM的平均[95%置信区间]在基线步态期间为2.602 [2.08， 3.12]%BW*HT，在脚趾入内时为1.982 [1.47， 2.50]%BW*HT。KAM预测的第一个峰值的平均[95%置信区间]为2.006 [1.46， 2.56] %BW*HT（图6）。第一个KAM峰的受试者内变异大于预测KAM峰的误差：所有受试者基线行走期间第一个KAM峰的平均STD平均值为0.306%BW * HT。脚趾步态的膝关节中心和足部压力中心预测的准确性与斯坦福大学数据集相似。预测的膝关节中心和足部中心压力轨迹在中外侧方向再次比前后更准确，并且用RMSE（±STD）为0.335（±0.121）%BW * HT估计所得合成KAM轨迹（表3）。
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
图 6. 验证合成脚趾在KAM（卡内基梅隆大学数据集）。
合成脚趾入内KAM轨迹（红色虚线）与真实脚趾卡姆（蓝色虚线）紧密匹配。合成KAM捕获了相对于基线（黑色实线）的KAM第一个峰的受试者内减少，MAE为0.170%BW * HT。左图捕获受试者的平均 （±STD） KAM 轨迹，而右图以 95% 的置信区间显示单个和平均峰值 KAM。
https://doi.org/10.1371/journal.pcbi.1009500.g006
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
表 3. 使用卡内基梅隆大学数据集验证学习的步态模式。
https://doi.org/10.1371/journal.pcbi.1009500.t003
在合成数据上训练的预测模型可以估计卡内基梅隆大学数据集的第一个峰值KAM减少，MAE（±STD）为0.134（±0.0932）%BW * HT（图7）和R2值为 0.55。当仅使用最强预测因子）作为特征的脚趾入角时，KAM减少估计MAE为0.187%BW * HT（±0.151%BW * HT）。保持所有其他输入不变，将外翻角增加12°或重量增加40 kg，导致平均峰值KAM降低小于0.50%BW * HT。预测和实际第一个峰值KAM减少之间的平均[95%CI]符号误差为0.068%BW*HT [-0.017，0.15]。KAM预测对独立收集的数据的平均有符号误差与模型在训练数据上的误差在统计上没有差异（p = 0.082）。我们发现合成训练的平均有符号误差与综合测试数据（p = 0.998）、训练与实际测试数据（p = 0.0635）或综合测试数据与实际测试数据（p = 0.224）之间无显著差异。
thumbnail 下载：
断续器幻灯片
巴新放大图像
断续器原始图像
图 7. 预测模型的验证（卡内基梅隆数据集）。
使用来自15名受试者的脚趾步态的独立数据集来评估预测模型，该模型的MAE为0.134%BW * HT（±0.0932%BW * HT）。最佳拟合线（虚线）具有 R2的 0.55。模型的平均符号误差在卡内基梅隆大学的测试数据与合成训练或综合测试数据之间没有显着差异。
https://doi.org/10.1371/journal.pcbi.1009500.g007
4. 讨论
这项工作的目的是建立一个预测模型，该模型使用最少的临床数据来估计脚趾步态再训练期间KAM第一个峰值的减少。根据在单独的步态实验室收集的数据，该模型可以预测KAM降低，误差为0.134%BW * HT，该误差属于步进KA峰值变化范围（0.306%BW * HT）。除了对遗漏的测试数据进行验证的传统方法之外，这种对独立数据的验证使我们对模型的可推广性持谨慎乐观态度。步态再训练在临床实践中尚不标准，部分原因是需要全面的步态分析来确定患者是否会对治疗有反应。有了这个预测模型和新兴的轻量级触觉反馈系统[29]，我们希望临床医生有朝一日能够在几分钟内识别反应者并开出治疗性步态再训练。
在解释报告的发现时，应考虑几个研究特征和局限性。在这项研究中，使用杠杆臂方法计算了KAM。尽管当实时KAM估计不是强制性的时，有时首选逆动力学链接段方法[8]，但这两种方法在评估步态干预的百分比变化方面是一致的，平均（±STD）差异为5%（±14.1%）[30]。当合成脚趾在KAM时，估计脚趾入峰KAM减少的5%误差将导致0.0298%BW * HT的差异，这比卡内基梅隆大学受试者的步进KAM变化（0.306%BW * HT）小一个数量级。另一个限制是，斯坦福大学数据集中的一些受试者用脚趾增加了KAM的第二个峰值，导致卡内基梅隆大学数据集的错误预测第二个峰值增加。然而，平均估计的第二个峰值增加小于估计的第一个峰值减少，导致总体KAM冲动较小，这仍可能提供治疗益处[31]。脚趾伸出步态的修改通常旨在减少第二个KAM峰值[19]，因此将来添加脚趾伸出步态数据可能有助于更准确地预测第一个和第二个峰值变化。最后，由于卡内基梅隆大学数据集中的所有受试者都通过脚趾入注降低了他们的第一个KAM峰值，因此尚不清楚该模型是否能够准确预测临床无应答者[32，33]。虽然在报告值[15，19，34]的范围内，卡内基梅隆大学数据集在第一峰KAM的平均减少（0.62±0.226%BW * HT）趋向于斯坦福大学数据集（0.44±0.242%BW * HT）。这种差异可能是由于健康和骨关节炎队列之间无痛活动性的差异，以及脚趾步态再训练的方法：在这里，我们提供了基于脚趾向内角的振动反馈，而斯坦福大学的研究人员提供了额平面胫骨角度的反馈，间接诱导了减少KAM的脚趾向内步态。预测模型建立在从KAM减少较小的队列中学到的模式之上，略微低估了实际的KAM减少（平均有符号误差= 0.068%BW * HT），尽管我们没有发现这种差异是显着的（p = 0.082）。合并来自多个实验室的几个代表性数据集将进一步提高这种模型的推广性。
使用脚趾步态的KAM减少只能使用一组有限的特征来预测。如前所述[15]，脚趾入角与KAM减少呈正相关。但是，仅使用脚趾入角作为预测变量，估计 KAM 减少到 MAE （±STD） 为 0.187 （± 0.151） %BW*HT，而使用全套六个要素时为 0.134 （±0.0932） %BW*HT。下一个最突出的预测因素是静态对准期间外翻角的增加，这与较小的KAM减少有关。这一结果支持了先前的发现，即内翻对齐较多的受试者的KAM减少更大[34]，这可能是由于它们固有的KAM较大，允许更大的减少[35]。在所有其他输入不变的情况下，该模型对12°变化的敏感性向更外翻的对齐方向变化，将平均KAM峰值降低幅度改变为小于0.50%BW*HT，这之前曾被用作与疾病进展风险相关的临床意义阈值[6，11，28]。这种减少的幅度小于高胫骨截骨手术后6个月发现的16°外翻变化[24]，这表明该模型的敏感性在生理上是可行的，并且静态对准是KAM减少的相关预测因子。虽然KAM被归一化为身高和体重，但体重的增加预示着KAM减少较小。在这里，该模型对增加的40公斤的敏感性导致平均KAM峰值降低低于临床意义阈值;在平均身高170 cm时，这种增加的体重会使BMI从21增加到35，这是肥胖的阈值[36]。由于体重较高的膝关节骨关节炎患者的KAM比其瘦龄匹配的骨关节炎对照组具有更大的重量归一化KAM[37]，因此有必要进一步调查以确定为什么体重较高的个体尽管KAM较大，但可能无法实现KAM的显着降低。
在Boswell等人之前的一项研究中[28]，使用一种在86名受试者的时间离散化3D解剖特征上训练的神经网络来分类个体是否会通过脚趾向内或脚趾向外步态修改来增加或减少其第一个峰值KAM，达到高达85%的准确率。他们的模型预测了基线行走期间的峰值KAM，MAE的范围为0.37-0.49%BW * HT。Boswell等人的模型最显着的特征包括与骨盆位置，额平面膝盖角度和躯干摇摆有关的特征;在未来，结合可穿戴传感和基于视觉的运动捕捉的传感器融合方法可以利用这些额外的骨盆和躯干特征来改进我们的预测模型。然而，虽然我们的模型能够正确预测外部数据集中所有受试者的KAM减少，但我们试图估计KAM减少的程度，而不是根据KAM是否会减少来对受试者进行分类。此外，从最小的临床数据中估计KAM的减少，就像我们在这里所做的那样，而不是从相机或可穿戴传感器计算KAM[26，27]，消除了步态分析的需要。通过步态再训练快速估计 KAM 降低，可能使临床医生能够权衡再训练的预期益处与其他治疗替代方案的预期益处。
膝关节中心和足部中心压力预测的精度在光学运动捕捉获得的关节中心位置估计误差范围内。尽管不同的实验方案阻碍了有意义的Meta分析[38]，但已发现由于软组织伪影，膝关节中心位置的估计值在14 mm至40 mm之间变化[39-41]。与使用皮质内骨针进行金标准位置追踪相比，光学运动捕捉存在皮肤运动伪影和受试者、实验者和实验室之间标志物放置不一致的问题[42]。对习得步态模式的数据集间和数据集内验证显示了斯坦福大学和卡内基梅隆大学数据集之间的相当准确性，使我们对这种生成合成KAM数据的方法更加有信心。因此，使用这些经过验证的脚趾入式步态模式可以使任何研究小组能够可靠地预测关节动力学的变化，而无需额外的动作捕捉试验。
在没有基线动力学数据的情况下准确预测预期的步态变化是将步态再训练处方转移到临床的重要一步。收集足部进展角度改变的步态数据是一个耗时的迭代过程：在熟悉生物反馈范式后，受试者必须适应每种新的步态模式，此时可以评估他们的动力学。在没有关于短期和长期步态再训练学习率的通用指南的情况下[43]，实验者允许受试者至少2分钟适应新的足部进展角，并进行10-30分钟的训练以强制实施修改后的步态策略[17-20]。通过使用预测模型，该实验时间可能会大大减少：身高、体重、行走速度和静态膝关节对齐已经在临床上得到普遍测量，而可穿戴传感器和基于视觉的运动捕捉有朝一日可以使步态运动学（如足部进展角）成为构成患者独特步态健康状况的标准生命体征[44]。
现代数据科学方法为生物力学学家提供了创造性地解决长期存在的科学和临床挑战的新方法[45]。这些方法需要大量异构数据，以避免过度拟合，并很好地推广到看不见的受试者[46]。尽管共享规范数据集正变得越来越普遍[47，48]，但这些数据集尚不存在，以满足步态再训练等更专业的需求。在这里，我们展示了一种有前途的方法，通过基于有限的真实情况示例生成合成数据来克服目前数据匮乏的问题。随着对合成数据生成方法的不断探索，我们希望能够朝着可以评估潜在治疗的治疗益处的未来发展，以确定任何患者的定制治疗路径。这些下一代精准疗法可能包括下肢截肢后的靶向康复或前交叉韧带重建。
总之，这项工作表明，使用临床上可用的措施可以预测患者从步态再训练治疗中受益的程度。它还说明了使用合成数据训练预测模型的可行性。通过进一步利用新兴动作捕捉技术不断增长的功能，包括融合可穿戴传感和计算机视觉的技术，这些模型应该使临床医生能够在临床上开出步态再训练疗法。
确认
作者要感谢Owen Pearl以及斯坦福大学和卡尔加里跑步伤害诊所的研究人员，感谢他们在数据收集方面的帮助。他们还要感谢参与者对这项研究的贡献。
引用
1.Cui A， Li H， Wang D， Zhong J， Chen Y， Lu H. 基于人群的膝关节骨关节炎的全球、区域患病率、发病率和危险因素研究。电子临床医学。2020 12月 1;29：100587.pmid：34505846
查看文章PubMed/NCBI谷歌学术搜索
2.肌肉骨骼动力学：运动和临床应用。基础骨科生物力学。1997.
查看文章谷歌学术搜索
3.Andriacchi TP，Koo S，Scanlan SF.步态力学影响膝关节的健康软骨形态和骨关节炎。骨与关节外科杂志。美国卷。2009 2 月 1;91（增刊 1）：95.pmid：19182033
查看文章PubMed/NCBI谷歌学术搜索
4.Sharma L， Song J， Dunlop D， Felson D， Lewis CE， Segal N， et al.内翻和外翻对齐，入射和进行性膝关节骨关节炎。风湿性疾病的编年史。2010 11 月 1;69（11）：1940–5.pmid：20511608
查看文章PubMed/NCBI谷歌学术搜索-厦门杂志期刊论文发表
5.Kutzner I，Trepczynski A，Heller MO，Bergmann G.膝关节内收矩和内侧接触力 - 关于它们在步态期间相关性的事实。普洛斯一号。2013 12月 2;8（12）：e81036.pmid：24312522
查看文章PubMed/NCBI谷歌学术搜索
6.宫崎 T、和田 M、川原 H、佐藤 M、Baba H、岛田 S.基线动态负荷可预测内侧椎间室膝关节骨关节炎的影像学疾病进展。风湿性疾病的编年史。2002 7 月 1;61（7）：617–22.pmid：12079903
查看文章PubMed/NCBI谷歌学术搜索
7.Bennell KL， Bowles KA， Wang Y， Cicuttini F， Davies-Tuck M， Hinman RS.较高的动态内侧膝关节负荷预示着内侧膝关节骨关节炎在 12 个月内软骨丢失更大。风湿性疾病的编年史。2011 10 月 1;70（10）：1770–4.pmid：21742637
查看文章PubMed/NCBI谷歌学术搜索
8.Richards R，van den Noort JC，Dekker J，Harlaar J. 步态再训练与实时生物反馈以减少膝关节内收矩：系统地回顾所用效果和方法。物理医学和康复档案。2017 Ja?n 1;98（1）：137–50.pmid：27485366
查看文章PubMed/NCBI谷歌学术搜索
9.Fregly BJ， Reinbolt JA， Rooney KL， Mitchell KH， Chmielewski TL.设计用于膝关节骨关节炎康复的患者特异性步态调整。IEEE Transactions on Biomedical Engineering.2007 8 月 20;54（9）：1687–95.pmid：17867361
查看文章PubMed/NCBI谷歌学术搜索
10.Favre J，Erhart-Hledik JC，Chehab EF，Andriacchi TP.通过修改步态变量的组合来减少膝关节内收矩的一般方案。骨科研究杂志。2016 9 月;34（9）：1547–56.pmid：26744298
查看文章PubMed/NCBI谷歌学术搜索
11.Mündermann A， Dyrby CO， Hurwitz DE， Sharma L， Andriacchi TP. 减少不同严重程度膝关节骨关节炎患者内侧骨室负荷的潜在策略：行走速度降低。关节炎和风湿病：美国风湿病学院的官方期刊。2004 4 月;50（4）：1172–8.pmid：15077299
查看文章PubMed/NCBI谷歌学术搜索
12.Mündermann A，Asay JL，Mündermann L，Andriacchi TP.增加中外侧干曳对动态力学的影响。生物力学杂志。2008 1 月 1;41（1）：165–70.pmid：17678933
查看文章PubMed/NCBI谷歌学术搜索
13.Mündermann A， Mündermann L， Andriacchi TP.躯干运动的振幅和相位对于旨在减少膝关节动态负荷的步态训练的功效至关重要。生物力学工程学报.2012 2 月 9;134（1）：011010.pmid：22482665
查看文章PubMed/NCBI谷歌学术搜索
14.Hunt MA， Simic M， Hinman RS， Bennell KL， Wrigley TV.减少膝关节负荷的步态再训练策略的可行性：在实时生物反馈的指导下增加躯干倾斜。生物力学杂志。2011 3 月 15;44（5）：943–7.pmid：21144522
查看文章PubMed/NCBI谷歌学术搜索
15.Shull PB， Lurie KL， Cutkosky MR， Besier TF.训练多参数步态，通过数据驱动的模型和触觉反馈减少膝关节内收矩。生物力学杂志。2011 5 月 17;44（8）：1605–9.pmid：21459384
查看文章PubMed/NCBI谷歌学术搜索
16.Shull P，Lurie K，Shin M，Besier T，Cutkosky M.触觉步态再训练用于膝关节骨关节炎治疗。2010年IEEE触觉研讨会2010年3月25日（第409-416页）。美国电气工程师学会。
17.Uhlrich SD，Silder A，Beaupre GS，Shull PB，Delp SL.受试者特异性脚趾向内或脚趾向外步态的修改比非个性化方法更能减少较大的膝关节内收矩峰值。生物力学杂志。2018 1月 3;66：103–10.pmid：29174534
查看文章PubMed/NCBI谷歌学术搜索
18.Shull PB， Shultz R， Silder A， Dragoo JL， Besier TF， Cutkosky MR， et al.脚趾入式步态可减少内侧椎间室膝关节骨关节炎患者的第一个膝关节内收峰值。生物力学杂志。2013 1 月 4;46（1）：122–8.pmid：23146322
查看文章PubMed/NCBI谷歌学术搜索
19.Hunt MA，Takacs J.内侧膝关节骨关节炎患者10周脚趾外步态矫正干预的影响：试点，可行性研究。骨关节炎和软骨。2014 7 月 1;22（7）：904–11.pmid：24836210
查看文章PubMed/NCBI谷歌学术搜索
20.Shull PB， Silder A， Shultz R， Dragoo JL， Besier TF， Delp SL， et al.为期六周的步态再训练计划可减少膝关节内收力矩，减轻疼痛，并改善内侧椎间室膝关节骨关节炎患者的功能。骨科研究杂志。2013 7 月;31（7）：1020–5.pmid：23494804
查看文章PubMed/NCBI谷歌学术搜索
21.Lindsey B，Bruce S，Eddo O，Caswell S，Cortes N.在旨在减少峰值膝关节外展力矩的三次步态修改期间运动学步态参数之间的关系。膝盖。2021 1月1日;28：229–39.pmid：33422938
查看文章PubMed/NCBI谷歌学术搜索
22.郭明， 斧头MJ， 马纳尔K.足部进展角对膝关节骨关节炎无痛患者行走和爬楼梯时膝关节内收矩的影响。步态和姿势。2007 9 月 1;26（3）：436–41.pmid：17134902
查看文章PubMed/NCBI谷歌学术搜索
23.Richards R，Van Den Noort JC，Van der Esch M，Booij MJ，Harlaar J. 步态再训练，使用实时反馈对内侧膝关节骨关节炎患者进行再训练：六周步态训练计划的可行性和效果。膝盖。2018 10 月 1;25（5）：814–24.pmid：29933935
查看文章PubMed/NCBI谷歌学术搜索
24.和田M，Imura S，Nagatani K，Baba H，Shimada S，Sasaki S.高胫骨截骨术后步态与临床结果的关系。临床骨科及相关研究?。1998 9月 1;354：180–8.pmid：9755778
查看文章PubMed/NCBI谷歌学术搜索
25.宋 EK， 善 JK， 朴 SJ， 郑女士.高胫骨截骨术的并发症：闭合法与开楔法。骨与关节外科杂志。英国卷。2010 9 月;92（9）：1245–52.pmid：20798442
查看文章PubMed/NCBI谷歌学术搜索
26.王春， 陈柏， 林敏， 王姗， 张俊华， 陈寅， 等.膝关节骨关节炎患者步态再训练膝关节内收力矩的实时估计。IEEE Transactions on Neural Systems and Rehabilitation Engineering.2020 3 月 5;28（4）：888–94.pmid：32149643
查看文章PubMed/NCBI谷歌学术搜索
27.Mundt M， Johnson WR， Potthast W， Markert B， Mian A， Alderson J.从惯性测量单位估计关节角和力矩的三种神经网络方法的比较。传感器。2021 1 月;21（13）：4535.pmid：34283080
查看文章PubMed/NCBI谷歌学术搜索
28.Boswell MA， Uhlrich SD， Thomas K， Kolesar JA， Gold GE， Beaupre GS， et al.一种神经网络，使用从 2D 视频分析中获得的解剖特征来预测骨关节炎患者的膝关节内收矩。骨关节炎和软骨。2021 3 月 1;29（3）：346–56.pmid：33422707
查看文章PubMed/NCBI谷歌学术搜索
29.夏H，查尔顿JM，舒尔PB，亨特MA。便携式自动足部进步角步态修改，通过概念验证的触觉反馈感应式热靴进行。生物力学杂志。2020 6月 23;107：109789.pmid：32321637
查看文章PubMed/NCBI谷歌学术搜索
30.Lewinson RT， Worobets JT， Stefanyshyn DJ.外膝关节内收力矩的计算：逆动力学方法和简化杠杆臂方法的比较。膝盖。2015 9 月 1;22（4）：292–7.pmid：26006770
查看文章PubMed/NCBI谷歌学术搜索
31.Kito N， Shinkoda K， Yamasaki T， Kanemura N， Anan M， Okanishi N， et al.膝关节内收力矩冲动对日本内侧膝关节骨关节炎女性疼痛和残疾的影响。临床生物力学。2010 11 月 1;25（9）：914–9.pmid：20650554
查看文章PubMed/NCBI谷歌学术搜索
32.Kobsar D，Osis ST，Boyd JE，Hettinga BA，Ferber R.可穿戴传感器，用于预测膝关节骨关节炎患者运动干预后的改善。神经工程与康复杂志。2017 12 月;14（1）：1–0.
查看文章谷歌学术搜索
33.Kobsar D，Osis ST，Hettinga BA，Ferber R.步态生物力学和患者报告的功能作为膝关节骨关节炎患者髋关节强化运动干预反应的预测因子。PLoS One.2015 10 月 7;10（10）：e0139923.pmid：26444426
查看文章PubMed/NCBI谷歌学术搜索
34.Simic M，Wrigley TV，Hinman RS，Hunt MA，Bennell KL.改变内侧膝关节骨关节炎患者的足部进展角度：不同脚趾向内和脚趾向外角度的影响是由疼痛和错位介导的。骨关节炎和软骨。2013 9 月 1;21（9）：1272–80.pmid：23973141
查看文章PubMed/NCBI谷歌学术搜索
35.Hurwitz DE， Ryals AB， Case JP， Block JA， Andriacchi TP.膝关节骨关节炎患者步态时膝关节内收力矩与静态对准的相关性比影像学疾病严重程度、脚趾向外角和疼痛更紧密。骨科研究杂志。2002 1 月;20（1）：101–7.pmid：11853076
查看文章PubMed/NCBI谷歌学术搜索
36.体重指数[互联网].美国疾病控制和预防中心;c 2021年[引自2022年4月28日]。可从： https://www.cdc.gov/healthyweight/assessing/bmi/
37.Verlaan L. 搬出实验室[论文]。马斯特里赫特大学;2021.
38.Peters A，Galna B，Sangeux M，Morris M，Baker R.下肢人体运动分析中软组织伪影的定量：系统综述。步态和姿势。2010 1 月 1;31（1）：1–8.pmid：19853455
查看文章PubMed/NCBI谷歌学术搜索
39.Benoit DL，Ramsey DK，Lamontagne M，Xu L，Wretenberg P，Renstr?m P.在体内测量的步态和切割运动过程中皮肤运动伪影对膝关节运动学的影响。步态和姿势。2006 10 月 1;24（2）：152–64.pmid：16260140
查看文章PubMed/NCBI谷歌学术搜索
40.Reinschmidt C， Van Den Bogert AJ， Lundberg A， Nigg BM， Murphy N， Stacoff A， et al.行走过程中的胫股骨和胫骨跟骨运动：外部与骨骼标志物。步态和姿势。1997 10 月 1;6（2）：98–109.
查看文章谷歌学术搜索
41.Sangeux M， Marin F， Charleux F， Dürselen L， Tho MH.基于磁共振成像的外部标记集与骨骼的3D相对运动的定量。临床生物力学。2006 11 月 1;21（9）：984–91.pmid：16844273
查看文章PubMed/NCBI谷歌学术搜索
42.戈顿GE III，赫伯特达，甘诺蒂ME。评估12个运动分析实验室的运动学变异性。步态和姿势。2009 4 月 1;29（3）：398–402.
查看文章谷歌学术搜索-厦门杂志期刊论文发表
43.Richards R， van der Esch M， van den Noort JC， Harlaar J.使用实时反馈在内侧膝关节骨关节炎患者中进行步态再训练的学习过程。步态和姿势。2018 5月1日;62：1–6.pmid：29494998
查看文章PubMed/NCBI谷歌学术搜索
44.Fritz S， Lusardi M. 白皮书：“行走速度：第六个生命体征”。老年物理治疗杂志。2009 1 月 1;32（2）：2–5.
查看文章谷歌学术搜索
45.Ferber R，Osis ST，Hicks JL，Delp SL.数据科学时代的步态生物力学。生物力学杂志。2016 12 月 8;49（16）：3759–61.pmid：27814971
查看文章PubMed/NCBI谷歌学术搜索
46.Halilaj E，Rajagopal A，Fiterau M，Hicks JL，Hastie TJ，Delp SL.人类运动生物力学中的机器学习：最佳实践，常见陷阱和新机会。生物力学杂志。2018 11月 16;81：1–1.pmid：30279002
查看文章PubMed/NCBI谷歌学术搜索
47.福地CA，福地RK，杜阿尔特M.健康个体的地上和跑步机行走运动学和动力学的公共数据集。皮尔杰.2018 四月 24;6：e4640.pmid：29707431
查看文章PubMed/NCBI谷歌学术搜索
48.卡马戈J，拉马纳坦A，弗拉纳根W，杨A。在楼梯、坡道、平地行走和过渡等多种条件下的下肢生物力学的综合开源数据集。生物力学杂志。2021 4月 15;119：110320.pmid：33677231
查看文章PubMed/NCBI谷歌学术搜索