Investigating the relationship between kinematic brain injury metrics and brain tissue strain for a football helmet test standard

Resumen Técnico: Investigación de la relación entre las métricas cinemáticas de lesión cerebral y la deformación del tejido cerebral para un estándar de prueba de cascos de fútbol americano

Planteamiento del problema
Los atletas de fútbol americano enfrentan un alto riesgo de conmoción cerebral debido a los frecuentes impactos en la cabeza. Si bien los estándares actuales de rendimiento de cascos de la National Operating Committee on Standards for Athletic Equipment (NOCSAE) han sido efectivos para reducir las lesiones cerebrales traumáticas graves, las conmociones cerebrales siguen siendo prevalentes. Esto sugiere que los criterios de evaluación actuales, principalmente el Índice de Severidad de Gadd (GSI), pueden no representar adecuadamente los mecanismos asociados con la lesión por conmoción. Sin embargo, la Deformación Principal Máxima (MPS, por sus siglas en inglés), derivada de modelos de Elementos Finitos (FE), es un predictor ampliamente aceptado de la lesión cerebral vinculada a deficiencias estructurales y funcionales, pero su aplicación directa en la certificación de cascos está limitada por el costo computacional y el tiempo. En consecuencia, los estándares dependen de métricas de lesión cinemáticas (p. ej., HIC, BrIC, GAMBIT) derivadas de los datos de aceleración de la cabeza. No obstante, la capacidad de estas métricas cinemáticas para representar con precisión la deformación del tejido cerebral bajo las condiciones de prueba estandarizadas de NOCSAE sigue sin estar clara.

Metodología
El estudio utilizó datos de pruebas de impacto bajo el estándar NOCSAE realizadas en tres modelos de cascos de fútbol americano (Riddell Speed Classic Icon, Speedflex y Axiom) montados en una cabeza de prueba certificada por NOCSAE de 4.90 kg.

• Configuración Experimental: Los impactos fueron generados utilizando dos aparatos: un sistema de caída guiado por cable y un ariete neumático. Se realizaron un total de 96 impactos en diversas ubicaciones (frontal, lateral, trasera, superior, etc.) y velocidades (que variaron de 3.46 m/s a 6.00 m/s).
• Recolección de Datos: La cinemática lineal y rotacional de la cabeza se registró mediante acelerómetros en el centro de gravedad, muestreados a 20 kHz y filtrados con un filtro CFC180.
• Cálculo de Métricas: Se calcularon siete métricas cinemáticas de lesión cerebral para cada impacto: GSI, Criterio de Lesión Cerebral (HIC), Potencia de Impacto en la Cabeza (HIP), Modelo de Aceleración Generalizada para el Umbral de Lesión Cerebral (GAMBIT), Evaluación Multiaxial de Daño Axonal Difuso (DAMAGE), Criterio de Lesión Cerebral (BrIC) y Criterio de Lesión Cerebral Universal (UBrIC).
• Determinación de la MPS: Las historias temporales de aceleración lineal y rotacional se aplicaron al modelo de trauma cerebral de la University College Dublin v2.0 (UCD2) para determinar la Deformación Principal Máxima (MPS) de la materia gris.
• Análisis Estadístico: El estudio empleó regresión lineal para evaluar las correlaciones entre las métricas/variables cinemáticas individuales y la MPS. Además, se utilizó validación cruzada de 10 pliegues para desarrollar y probar tres modelos predictivos: regresión lineal simple, regresión lineal múltiple (incorporando la cinemática resultante máxima y sus componentes direccionales) y regresión de bosque aleatorio (random forest).

Resultos Clave

• Rango de Deformación: Los impactos estándar de NOCSAE produjeron valores de MPS que oscilaron entre 0.180 y 0.641 (Media = 0.386), situándose dentro de los rangos asociados con el riesgo de lesión por conmoción en la literatura; sin embargo, ninguno superó los umbrales de certificación de NOCSAE para el GSI o la Aceleración Rotacional Resultante Máxima (PRRA).
• Desempeño de Correlación: El análisis de regresión lineal reveló correlaciones pobres entre las métricas de lesión cinemáticas existentes y la MPS ($R^2 < 0.4$). GAMBIT mostró la correlación más alta ($R^2 = 0.342$), seguida de UBrIC ($R^2 = 0.333$). Las métricas tradicionales como GSI ($R^2 = 0.127$) y HIC ($R^2 = 0.112$) demostraron las asociaciones más débiles.
• Modelado Predictivo:
  • Métricas Únicas: Ninguna métrica cinemática única o variable resultante máxima proporcionó un poder predictivo fuerte para la MPS.
  • Regresión Múltiple: La incorporación de múltiples variables cinemáticas (aceleración lineal resultante máxima, aceleración rotacional, velocidad rotacional y sus componentes ortogonales x, y, z) mejoró significativamente la precisión de la predicción ($R^2 = 0.862$, RMSE = 0.042).
  • Bosque Aleatorio (Random Forest): El modelo de bosque aleatorio logró el mayor desempeño ($R^2 = 0.908$, RMSE = 0.037), aunque la mejora sobre la regresión lineal múltiple fue marginal. Esto sugiere un "efecto de techo" donde la mayor parte de la varianza explicable es capturada por las variables cinemáticas, mientras que la varianza restante se atribuye al ruido experimental o a factores biomecánicos no modelados.

Significancia y Reivindicaciones
El artículo sostiene que las métricas actuales de lesión basadas en la cinemática, incluyendo aquellas utilizadas actualmente en los estándares, tienen una capacidad limitada para reflejar los factores biomecánicos asociados con la deformación del tejido cerebral bajo las condiciones de prueba de NOCSAE. El estudio demuestra que, mientras que los enfoques de métrica única no logran capturar la complejidad de la generación de deformación, los enfoques multivariables que combinan la cinemática resultante máxima con sus componentes direccionales ofrecen una evaluación más biológicamente significativa.

Los autores concluyen que la incorporación de modelos de aprendizaje automático multivariables en los estándares de evaluación de cascos podría proporcionar una estimación más precisa de la deformación del tejido cerebral que los criterios actuales. Este enfoque podría evaluar mejor el riesgo de conmoción y apoyar el desarrollo de equipos de protección que mitiguen más eficazmente las lesiones cerebrales. El estudio señala explícitamente que la investigación futura debería investigar el uso de series temporales cinemáticas completas en modelos de aprendizaje automático para refinar aún más estas predicciones.