Uma rede neural para prever forças de contato no joelho a partir de dados amigáveis para clínicas

Modelos neuromusculoesqueléticos baseados em física têm sido amplamente utilizados para avaliar a biomecânica que não é facilmente medida em ambientes de laboratório ou clínicos (por exemplo, forças de contato articular). No entanto, esses modelos baseados em física exigem uma extensa quantidade de dados de entrada e expertise para operar. A inteligência artificial (IA) é uma alternativa promissora à modelagem baseada em física, pois a IA pode aprender relações complexas de entrada e saída diretamente a partir de dados de laboratório, permitindo assim a estimativa escalável da biomecânica interna corporal (por exemplo, carga de contato articular) usando dados amigáveis para clínicas (por exemplo, vídeo, medidas corporais, etc.). Neste estudo, desenvolvemos um modelo de memória de longo prazo bidirecional (BiLSTM) para estimar a cinemática das articulações dos membros inferiores, momentos e força de contato no joelho usando dados amigáveis para clínicas (por exemplo, altura, peso, sexo, posições esparsas de pontos anatômicos-chave e eletromiografia de superfície (EMG)). Também exploramos a influência do número e combinações específicas de EMG na precisão da previsão do BiLSTM. O modelo BiLSTM previu com precisão a cinemática do quadril, joelho e tornozelo (coeficiente de determinação (R²) = 0,94 ± 0,04; erro quadrático médio (RMSE) = 3,60 ± 0,92°) e momentos (R² = 0,91 ± 0,03; RMSE = 0,15 ± 0,02 Nm/kg), bem como a força de contato no joelho (R² = 0,81 ± 0,11; RMSE = 0,39 ± 0,17 pesos corporais (BW)) usando uma configuração de EMG otimizada (n = 3). Em todas as combinações e números possíveis de EMG (n = 255), análises de quatro quadrantes e pareto confirmaram que os músculos vasto medial, gastrocnêmio medial e gastrocnêmio lateral contribuíram consistentemente para a previsão precisa da força de contato no joelho. Esta configuração de 3 EMG ofereceu o melhor compromisso entre a precisão da previsão do BiLSTM e a praticidade ao prever a força de contato no joelho. Os resultados indicam que modelos de IA de desempenho elevado e com EMG mínimo podem reduzir custos e complexidade sem comprometer a precisão. Essas descobertas sugerem que modelos de IA com EMG mínimo poderiam apoiar a futura adoção de análises biomecânicas baseadas em IA em ambientes clínicos, ao reduzir custos e complexidade sem sacrificar a precisão.