A PRISMA-guided systematic review of musculoskeletal modelling approaches in lower-limb cycling biomechanics

Cette revue systématique guidée par les principes PRISMA analyse 28 études sur la modélisation musculo-squelettique du cyclisme, révélant des lacunes critiques en matière de validation, de diversité des participants et de transparence du rapport, tout en proposant des recommandations pour améliorer la reproductibilité et la pertinence clinique de ce domaine.

L'essentiel

🚴‍♂️ Le Grand Tour des Simulations de Vélo : Ce que les chercheurs ont découvert

Imaginez que le vélo est comme une orchestre complexe. Pour comprendre comment il fonctionne, les chercheurs ne se contentent pas d'écouter la musique (les mouvements visibles du cycliste) ; ils veulent aussi connaître la partition intérieure : comment les muscles tirent, comment les articulations frottent, et quelle est la pression exacte sur les pédales.

Pour voir l'invisible, ils utilisent des simulations informatiques (des "jumeaux numériques" du corps humain). Cette étude est un rapport d'enquête (une revue systématique) qui a passé au crible 28 études récentes pour voir comment ces chercheurs construisent et utilisent leurs simulations.

Voici ce qu'ils ont trouvé, traduit en langage courant :

1. Le but du jeu : Pourquoi simuler ?

Les chercheurs utilisent ces simulations pour trois grandes raisons, un peu comme un architecte qui teste des plans avant de construire :

• Optimiser le vélo : "Si je monte le siège de 2 cm, est-ce que mes genoux souffrent moins ?"
• Comprendre le corps : "Comment mes muscles travaillent-ils ensemble pour pédaler ?"
• Aider les patients : "Comment un cycliste paralysé peut-il remarcher avec une stimulation électrique ?"

2. Le problème des "Acteurs" : Qui joue le rôle du cycliste ?

C'est ici que ça coince un peu. Imaginez que vous voulez tester un nouveau modèle de voiture, mais que vous ne faites conduire que des hommes de 25 ans, grands et musclés.

• Le constat : Sur les 272 personnes étudiées, 73 % étaient des hommes. Les femmes, les enfants, les personnes âgées ou les patients malades sont presque invisibles dans ces simulations.
• La métaphore : C'est comme si on essayait de concevoir un costume pour tout le monde, mais qu'on ne l'essayait que sur un seul mannequin. On ne sait pas si ça ira bien aux autres !

3. La boîte à outils : Des modèles très différents

Chaque chercheur a construit son "jumeau numérique" avec des règles différentes.

• Le chaos des règles : Certains utilisent des modèles très simples (juste une jambe en 2D, comme un dessin animé), d'autres des modèles ultra-complexes (tout le corps en 3D avec 286 muscles !).
• Le problème de la recette : Souvent, les chercheurs ne donnent pas la "recette" complète. Ils disent "j'ai utilisé OpenSim" (un logiciel populaire), mais ils ne disent pas exactement comment ils ont réglé les ingrédients (les degrés de liberté, la taille des muscles).
• La conséquence : C'est comme si deux chefs cuisiniers faisaient le même gâteau, mais l'un ne dit pas s'il a mis du sucre ou du sel. On ne peut pas comparer leurs gâteaux ni refaire le même.

4. La validation : Est-ce que ça marche vraiment ?

Pour savoir si une simulation est bonne, il faut la comparer à la réalité (des mesures réelles sur un vrai vélo).

• Le constat : La plupart des chercheurs comparent leurs simulations aux mouvements (la cinématique), mais très peu comparent les forces ou l'activité musculaire réelle.
• La métaphore : C'est comme si un prévisionniste météo disait "Il va pleuvoir" (la simulation), et qu'on vérifiait seulement si le ciel est gris (le mouvement), sans jamais vérifier s'il y a vraiment de l'eau qui tombe (les forces internes). On ne sait pas si la simulation est vraiment précise à l'intérieur.

5. La transparence : Où sont les recettes ?

Même si beaucoup utilisent des logiciels gratuits et ouverts (comme OpenSim), seulement 4 études sur 28 ont partagé leurs codes ou leurs modèles.

• Le problème : C'est comme si un grand chef cuisinier inventait une nouvelle sauce, disait "c'est délicieux", mais refusait de donner la recette. Personne ne peut vérifier s'il n'a pas triché, ni améliorer la sauce.

🚀 Ce qu'il faut retenir pour l'avenir

Cette étude est un appel à l'ordre pour la communauté scientifique. Pour que ces simulations soient vraiment utiles (pour soigner des gens ou améliorer les performances), il faut :

1. Plus de diversité : Faire pédaler des femmes, des enfants et des personnes âgées dans les simulations, pas seulement des jeunes hommes.
2. Plus de transparence : Partager les recettes (les codes et les modèles) pour que tout le monde puisse vérifier et améliorer le travail.
3. Des tests plus sérieux : Ne pas se contenter de comparer les mouvements, mais vérifier si les forces internes sont réalistes.
4. Des questions claires : Savoir exactement ce qu'on cherche à prouver avant de lancer la simulation.

En résumé : Le domaine des simulations de vélo est plein de promesses et de technologies brillantes, mais il est encore un peu "sauvage". Il faut passer du stade du "brouillon d'artiste" à celui de "laboratoire rigoureux" pour que ces outils puissent vraiment aider les cyclistes de tous types, du sportif de haut niveau au patient en rééducation.

Résumé technique

1. Problématique et Contexte

Le cyclisme est une activité majeure pour la performance sportive, la rééducation et la santé clinique. Bien que les études expérimentales aient permis de mieux comprendre la cinématique et la coordination articulaire, elles restent limitées à l'observation de phénomènes externes, sans accès direct aux variables internes critiques telles que les forces musculaires et les charges articulaires.

Les simulations musculosquelettiques (MSK) offrent une solution pour estimer ces variables internes et explorer des scénarios « what-if » (hypothétiques). Cependant, malgré une croissance rapide de leur utilisation, l'état de l'art souffre d'un manque de clarté concernant :

• La standardisation des approches de modélisation.
• La validité des hypothèses utilisées.
• La reproductibilité des études.
• La diversité des populations étudiées (biais démographique).

Cette revue vise à combler ce manque en caractérisant systématiquement l'application, les stratégies de validation, les hypothèses de modélisation et les pratiques de rapport dans la biomécanique du cyclisme des membres inférieurs.

2. Méthodologie

L'étude suit les directives PRISMA 2020 pour les revues systématiques.

• Stratégie de recherche : Une recherche a été effectuée le 1er août 2024 dans quatre bases de données (Scopus, PubMed, IEEE Xplore, Web of Science) couvrant la période de janvier 2010 à juillet 2024.
• Critères d'inclusion : Articles de journaux à comité de lecture en anglais appliquant des simulations musculosquelettiques à la biomécanique du cyclisme des membres inférieurs (excluant les analyses purement cinématiques inverses ou sans modèle MSK).
• Échantillon final : Sur 1 006 articles identifiés, 28 études ont répondu aux critères d'inclusion.
• Extraction des données : Les auteurs ont extrait des variables concernant les objectifs de l'étude, les caractéristiques des participants, les protocoles de cyclisme, les cadres de modélisation (portée anatomique, dimensionnalité, logiciels), les méthodes de simulation, les fonctions de coût, et les stratégies de validation.
• Limites de la méthode : Aucune évaluation formelle du risque de biais n'a été réalisée car il s'agit d'une synthèse méthodologique et non d'une méta-analyse d'effets d'intervention. Aucun protocole n'a été enregistré à l'avance.

3. Résultats Clés

A. Caractéristiques des études et des participants

• Domaines d'application : Les études se concentrent principalement sur l'optimisation de la configuration vélo-cycliste (39 %), la coordination neuromusculaire (32 %), la rééducation/électrostimulation fonctionnelle (FES) (32 %) et le développement de modèles.
• Biais démographique sévère : Sur 272 participants, 72,8 % étaient des hommes et seulement 17,6 % des femmes. La majorité étaient de jeunes adultes en bonne santé (recreational ou entraînés). Les populations cliniques (blessures, lésions médullaires) sont très sous-représentées.
• Protocoles : Les études de rééducation utilisent des cadences et puissances faibles, tandis que les études sportives utilisent des intensités plus élevées.

B. Cadres de modélisation et logiciels

• Variabilité des modèles : Il existe une grande hétérogénéité dans la portée anatomique (modèles unipodaux, bipodaux, corps entier avec/sans bras) et la dimensionnalité (39 % en 2D, 61 % en 3D).
• Complexité : Le nombre d'unités muscle-tendon varie de 4 à 286.
• Manque de transparence : Près de la moitié des études ne spécifient pas le nombre de degrés de liberté (DOF) ou la liste complète des muscles.
• Logiciels : OpenSim est la plateforme dominante (57 %), suivie de codes personnalisés (25 %) et d'AnyBody (14 %).
• Reproductibilité : Seulement 4 études (14,3 %) ont rendu leurs modèles ou codes publics, malgré l'utilisation prédominante de logiciels open-source.

C. Données expérimentales et Validation

• Collecte de données : Toutes les études utilisant des données expérimentales ont rapporté des mesures cinématiques. Cependant, seules 74 % ont inclus des données cinétiques (forces), et seulement 26 % des données neuromusculaires (EMG). Les mesures physiologiques (métabolisme) sont quasi inexistantes (4 %).
• Validation : La validation repose souvent sur des valeurs de la littérature plutôt que sur des données expérimentales complètes. Aucune étude n'a validé directement les charges articulaires simulées contre des mesures expérimentales de résistance.
• Approches de simulation : L'optimisation statique (32 %) est la méthode la plus courante, suivie par la dynamique directe et le contrôle optimal. Les approches prédictives (qui ne dépendent pas de données cinématiques d'entrée) sont rares.

D. Stratégies d'optimisation et Sensibilité

• Fonctions de coût : Dans 77 % des études utilisant une optimisation, l'objectif était de minimiser l'activité ou l'effort musculaire. Peu d'études intègrent des objectifs physiologiques réalistes (énergie métabolique, fatigue) ou des contraintes de performance.
• Analyse de sensibilité : Bien que 96 % des études aient varié des paramètres (géométrie, charge, morphologie), ces variations étaient souvent exploratoires et non structurées comme des analyses de sensibilité rigoureuses quantifiant l'incertitude.

4. Contributions et Signification

Cette revue apporte plusieurs contributions majeures au domaine de la biomécanique du cyclisme :

1. Cartographie de l'état de l'art : Elle fournit la première synthèse systématique dédiée spécifiquement aux simulations MSK en cyclisme, identifiant les tendances méthodologiques et les lacunes.
2. Mise en évidence du manque de reproductibilité : Elle souligne que malgré l'usage d'outils open-source, le partage des modèles et des codes est insuffisant, ce qui entrave la vérification et la progression scientifique.
3. Critique du biais démographique : Elle démontre que le domaine repose sur des modèles « par défaut » basés sur des hommes jeunes, limitant la généralisation des résultats aux femmes, aux enfants et aux populations cliniques.
4. Appel à la validation rigoureuse : L'article critique la tendance à valider les modèles uniquement sur la cinématique (ce qui est facile) plutôt que sur les forces internes ou les signaux EMG, ce qui réduit la confiance dans les prédictions de charges articulaires.
5. Recommandations pour l'avenir :
   • Adopter des normes de rapport plus strictes (définition complète des DOF, des muscles, des contraintes).
   • Développer des modèles personnalisés et validés spécifiquement pour le cyclisme (et non dérivés de la marche).
   • Inclure des populations diversifiées (sexes, âges, pathologies).
   • Passer de l'optimisation statique vers des contrôles optimaux prédictifs et des analyses d'incertitude systématiques.

Conclusion :
Bien que les simulations musculosquelettiques aient un potentiel immense pour l'optimisation de la performance et la rééducation en cyclisme, leur application actuelle est freinée par un manque de standardisation, de transparence et de diversité des données. Pour que ces outils deviennent des outils de décision clinique et sportive fiables, la communauté doit évoluer vers des pratiques plus rigoureuses, reproductibles et inclusives.