📄 bioingeniería

Validating OpenCap Kinematics for ACL Injury-Related Movements In and Out of the Lab

Este estudio valida el sistema basado en smartphones OpenCap como una herramienta prometedora para evaluar los factores de riesgo de lesión de LCA en entornos de laboratorio, aunque su precisión disminuye al medir estas cinemáticas fuera del laboratorio debido a la variabilidad del rendimiento.

Autores originales: Swaminathan, K., Seagers, K., Kolesar, J. A., Ong, C. F., Hamner, S., Muccini, J. M., Starr, K. E., Myer, G. D., Delp, S., Hicks, J. L.

Publicado 2026-10-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Swaminathan, K., Seagers, K., Kolesar, J. A., Ong, C. F., Hamner, S., Muccini, J. M., Starr, K. E., Myer, G. D., Delp, S., Hicks, J. L.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Cada año, más de 120.000 personas en los Estados Unidos se desgarran un ligamento crucial en la rodilla, el ligamento cruzado anterior, a menudo mientras practican deportes. Para las jóvenes atletas, el riesgo es particularmente alto, con tasas de lesiones que duplican las de sus homólogos masculinos. Estas lesiones no son solo un contratiempo temporal; pueden derivar en problemas de salud a largo plazo, incluyendo una probabilidad significativamente mayor de desarrollar artritis más adelante en la vida. Debido a que la mayoría de estos desgarros ocurren sin un golpe directo en la rodilla, los investigadores creen que podrían prevenirse enseñando a las atletas a moverse de manera diferente. Los científicos han identificado formas específicas de moverse —como la forma en que una persona aterriza de un salto o realiza giros en un campo— que ejercen un estrés adicional en la rodilla. Al medir estos movimientos, pueden calcular una puntuación que indica qué tan resiliente es el cuerpo de una atleta ante las lesiones. El desafío siempre ha sido que medir estos movimientos con precisión requiere cámaras y sensores costosos del tamaño de una habitación que solo se encuentran en laboratorios especializados, lo que hace imposible evaluar a las atletas con frecuencia o en los lugares donde realmente juegan.

Un equipo de investigadores se propuso ver si una herramienta mucho más simple podría reemplazar al laboratorio. Probaron un sistema de software llamado OpenCap, que utiliza videos grabados con teléfonos inteligentes estándar para estimar cómo se mueve el cuerpo en tres dimensiones. El objetivo era determinar si este método basado en teléfonos podía medir con la misma precisión los mismos factores de riesgo de lesión que el equipo de alta tecnología del laboratorio, y si podía capturar cómo se mueven las atletas en el mundo real, fuera del entorno controlado de un laboratorio. El equipo reclutó a 26 atletas adolescentes, cuya edad promedio era de unos 16 años, que practicaban deportes como fútbol, baloncesto y voleibol. Ninguna de las participantes tenía antecedentes de cirugía de rodilla. Los investigadores pidieron a estas atletas realizar una serie de cinco movimientos comunes utilizados para evaluar el riesgo de lesiones: sentadillas a una pierna, saltos con una y dos piernas, y dos tipos de giros bruscos. Grabaron estos movimientos dos veces para cada atleta: una vez dentro del laboratorio con el sistema de captura de movimiento que es el estándar de oro, y otra vez fuera, en un entorno más natural, utilizando únicamente teléfonos inteligentes.

Los resultados mostraron que el sistema de teléfonos inteligentes funcionó notablemente bien en comparación con el equipo de laboratorio. Dentro del laboratorio, las puntuaciones de resiliencia a las lesiones calculadas a partir de los videos de los teléfonos estaban fuertemente vinculadas a las puntuaciones de las cámaras de alta tecnología. Los dos métodos coincidían lo suficiente como para que los teléfonos pudieran clasificar de manera confiable a las atletas de mayor a menor riesgo. Cuando los investigadores analizaron los detalles específicos de los movimientos, como cuánto se dobló la rodilla o cuánto rotó la cadera, el sistema de teléfonos capturó los patrones con alta precisión para la mayoría de las articulaciones, particularmente la rodilla y la cadera. Los errores al medir estos ángulos fueron lo suficientemente pequeños como para que el sistema pudiera detectar probablemente los tipos de cambios que ocurren cuando una atleta mejora su técnica mediante el entrenamiento. Esto sugiere que los entrenadores y preparadores podrían usar teléfonos inteligentes simples para monitorear a las atletas y proporcionar retroalimentación inmediata sobre cómo moverse de forma más segura, sin necesidad de una visita a un centro de investigación.

Sin embargo, la historia cambió ligeramente cuando las atletas se movieron fuera del laboratorio. Si bien los teléfonos siguieron funcionando, las puntuaciones calculadas en las sesiones al aire libre no coincidieron con las puntucciones de interior tan estrechamente como los investigadores esperaban. Muchas atletas se movieron de forma diferente cuando estaban afuera en comparación con cuando estaban en el laboratorio, y estas diferencias fueron lo suficientemente grandes como para cambiar sus puntuaciones de riesgo significativamente. Por ejemplo, una atleta que mostró un patrón de aterrizaje muy seguro dentro del laboratorio, mostró un aterrizaje más rígido y riesgoso afuera, con menos flexión de la rodilla y más inclinación del torso. Otra atleta mostró la tendencia opuesta, moviéndose con mejor forma fuera del laboratorio. Esto indica que el entorno mismo influye en cómo se mueven las personas, y una sola prueba en una habitación silenciosa podría no contar toda la historia del riesgo de una atleta. El estudio no encontró que el sistema de teléfonos estuviera defectuoso; más bien, reveló que las atletas genuinamente se comportan de manera diferente en el mundo real.

Los investigadores concluyeron que las herramientas basadas en teléfonos inteligentes son una forma válida de medir la biomecánica del riesgo de lesiones, ofreciendo un camino práctico para monitorear a las atletas con mayor frecuencia y en los entornos donde realmente juegan. La tecnología es lo suficientemente precisa como para rastrear mejoras en el movimiento e identificar patrones peligrosos. No obstante, las diferencias entre el rendimiento en el laboratorio y en el mundo real resaltan un punto crucial: para comprender y prevenir verdaderamente las lesiones, necesitamos ver cómo se mueven las atletas en sus entornos naturales, no solo en una habitación controlada. Este trabajo sienta las bases para un futuro donde la prevención de lesiones no esté limitada a unas pocas visitas a un laboratorio, sino que se convierta en una parte continua del entrenamiento diario de una atleta, guiada por datos que reflejen sus verdaderos hábitos de movimiento.

Problema
Las lesiones del ligamento cruzado anterior (LCA) son prevalentes entre las atletas adolescentes y conllevan consecuencias significativas para la salud a largo plazo, incluyendo un mayor riesgo de osteoartritis y malestar psicológico. Si bien se han identificado y consolidado factores de riesgo cinemáticos modificables específicos (p. ej., reducción de la flexión de la rodilla, aumento del valgo de la rodilla) en la puntuación de Resiliencia a la Lesión del LCA cinemática (kAIR, por sus siglas en inglés), los métodos de evaluación actuales dependen de la captura de movimiento (MoCap) óptica basada en laboratorio. Esta dependencia limita la frecuencia del cribado y evita el monitoreo longitudinal en entornos reales y ecológicamente relevantes. Existe una necesidad crítica de herramientas accesibles y portátiles capaces de medir rápidamente estos factores de riesgo biomecánicos fuera del laboratorio para guiar el entrenamiento de prevención de lesiones.

Metodología
El estudio evaluó la precisión de OpenCap, un sistema de captura de movimiento basado en teléfonos inteligentes, frente a un sistema de referencia de MoCap óptico de 16 cámaras.

Participantes: 26 atletas adolescentes mujeres (media de edad 15.7 ± 1.2 años) sin antecedentes de lesiones quirúrgicas de rodilla.
Tareas: Las participantes realizaron cinco actividades de cribado de lesiones de LCA: sentadillas monopolares, saltos verticales de caída monopolares y bipolares, cortes de caída de 90 grados y cortes de carrera de 90 grados.
Recolección de datos:
- En el laboratorio: Recolección simultánea de datos utilizando MoCap (50 marcadores retroreflectantes a 200 Hz) y OpenCap (tres iPhones a 240 Hz).
- Fuera del laboratorio: Recolección de datos solo con OpenCap, realizada en entornos no de laboratorio.
Procesamiento: Se utilizó un modelo musculoesquelético de 33 grados de libertad, modificado para incluir un grado de libertad en el plano frontal en la rodilla, escalado para cada participante. Se computó la cinemática inversa en OpenSim para derivar los ángulos articulares. La puntuación kAIR y sus subpuntuaciones constituyentes (tronco, cadera, rodilla, tobillo) se calcularon utilizando 24 métricas cinemáticas derivadas de los datos de series temporales.
Análisis estadístico: La concordancia y la consistencia se evaluaron mediante coeficientes de correlación de Pearson ( $r$ ), tau de Kendall ( $\tau$ ) para la consistencia de clasificación e Índices de Correlación Intraclase (ICC) para la concordancia absoluta. Se calcularon los Errores Cuadráticos Medios (RMSE) para las métricas individuales.

Contribuciones Clave

Validación de Puntuaciones Compuestas: El estudio proporciona la primera validación de OpenCap para generar la puntuación compuesta kAIR en mujeres adolescentes que realizan tareas relevantes para el LCA, en lugar de solo evaluaciones de tarea única en adultos.
Cinemática del Plano Frontal: A diferencia de estudios previos de OpenCap que utilizaban modelos de rodilla de un solo grado de libertad, este trabajo utilizó un modelo modificado para capturar la cinemática del plano frontal de la rodilla (valgo dinámico de la rodilla), que es crítico para el riesgo de lesión del LCA.
Comparación In-Lab vs. Out-of-Lab: La investigación caracteriza las diferencias en las mediciones biomecánicas y las puntuaciones kAIR entre entornos controlados de laboratorio y entornos del mundo real, abordando una brecha en la comprensión de cómo el contexto ambiental afecta los patrones de movimiento.

Resultados

Concordancia In-Lab (OpenCap vs. MoCap):
- Puntuación kAIR: Se observó una correlación fuerte ( $r=0.84$ , $p<0.001$ ) y una buena concordancia (ICC=0.83) entre las puntuaciones derivadas de OpenCap y MoCap.
- Subpuntuaciones: Las correlaciones fueron de moderadas a fuertes para las subpuntuaciones específicas de la articulación ( $r=0.46$ a $0.92$). La consistencia de la clasificación fue significativa para las subpuntuaciones de rodilla y cadera, pero no para las de tobillo o tronco.
- Métricas Individuales: Los datos de series temporales mostraron correlaciones fuertes ( $r>0.8$ ) para 27 de 30 medidas de coordenadas articulares. El ángulo de flexión máxima de la rodilla mostró la correlación más alta ( $r=0.96$ ), mientras que la flexión del tobillo en el contacto inicial mostró la más baja ( $r=0.27$ ). Los RMSEs para los ángulos del torso y de la parte inferior del cuerpo oscilaron entre 2.4 y 8.9 grados.
Factibilidad Out-of-Lab:
- OpenCap recolectó datos con éxito en entornos fuera del laboratorio con una tasa de éxito del 94.8% (se excluyeron 36 de 698 ensayos debido a errores).
- Puntuaciones In-Lab vs. Out-of-Lab: Las puntuaciones kAIR derivadas de OpenCap en sesiones in-lab y out-of-lab mostraron solo una correlación moderada ( $r=0.45$ , $p=0.027$ ) con una pobre concordancia (ICC=0.45).
- Variabilidad: 19 de 24 participantes exhibieron cambios en sus puntuaciones kAIR entre entornos que excedieron la variabilidad promedio ensayo por ensayo dentro del sujeto. La inspección visual de los modelos biomecánicos confirmó que estos cambios en las puntuaciones correspondían a diferencias reales en los patrones de movimiento (p. ej., reducción de la flexión de la rodilla y aumento de la inclinación lateral del tronco en el entorno fuera del laboratorio para algunas atletas).

Significancia
Los autores afirman que este trabajo sienta las bases para el monitoreo longitudinal a gran escala de los factores de riesgo de lesión del LCA cinemáticos modificables en entornos del mundo real. Si bien OpenCap demuestra una sólida validez concurrente con MoCap para calcular la puntuación kAIR en un laboratorio, el estudio destaca que las atletas pueden realizar las tareas de cribado de manera diferente fuera del laboratorio. Por consiguiente, el artículo sugiere que, si bien OpenCap es una herramienta viable para un cribado rápido y accesible, la varianza ambiental observada en los patrones de movimiento subraya la necesidad de recolectar datos en entornos ecológicamente relevantes para caracterizar con precisión el riesgo de lesión. El estudio no pretende que OpenCap sea un reemplazo perfecto para MoCap en todos los contextos, sino que lo posiciona como un paso crítico hacia un monitoreo biomecánico escalable en el mundo real.

Más como este