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

Questa revisione sistematica guidata da PRISMA analizza 28 studi sulla modellazione muscolo-scheletrica nel ciclismo, evidenziando la variabilità nelle pratiche di modellazione, la scarsa trasparenza nella segnalazione e la necessità di validazioni più rigorose, di una maggiore diversità nei partecipanti e di standard di reporting più uniformi per migliorare la riproducibilità e la rilevanza clinica.

L'essenziale

Immagina di voler capire esattamente come funziona il motore di una bicicletta, ma non puoi smontarlo e guardare dentro mentre pedali. Non puoi vedere i muscoli che si contraggono o le forze che spingono sulle ossa. È come cercare di capire come funziona un'auto guardando solo le ruote che girano, senza vedere il motore.

Cos'è questo studio?
Gli scienziati hanno usato dei "motori virtuali" al computer, chiamati modelli muscolo-scheletrici, per simulare il ciclismo. Invece di misurare solo ciò che si vede (come la velocità o la posizione delle gambe), questi computer "inventano" ciò che succede dentro il corpo: quanto forza sta usando il quadricipite, quanta pressione c'è sull'anca, ecc.

Questo studio è come un grande rapporto di ispezione su come 28 diversi gruppi di ricercatori hanno costruito e usato questi "motori virtuali" negli ultimi 15 anni. Hanno voluto scoprire: "Stiamo facendo un buon lavoro? Siamo tutti d'accordo su come costruire questi modelli? Stiamo imparando cose utili per tutti?"

Ecco cosa hanno scoperto, spiegato con delle metafore:

1. Il "Cantiere" è molto disordinato

Immagina che ogni ricercatore sia un architetto che costruisce una casa virtuale (il modello del ciclista).

• Il problema: Alcuni architetti hanno costruito una casa con un solo muro (un solo modello di gamba), altri con un grattacielo intero (tutto il corpo). Alcuni hanno usato mattoni rossi, altri di vetro.
• La scoperta: Non c'è un "manuale di istruzioni" unico. Ognuno usa regole diverse. Questo rende difficile confrontare i risultati: è come se un architetto dicesse "la mia casa è solida" e un altro dicesse "la mia è solida", ma uno ha usato legno e l'altro acciaio. Non sappiamo quale sia davvero la migliore per il ciclismo.

2. I "Ciclisti Virtuali" sono tutti uguali

Quando questi computer simulano una persona che pedala, chi scelgono?

• La realtà: Il 73% dei "ciclisti virtuali" sono uomini giovani e sani.
• Il problema: È come se volessi progettare una sedia perfetta per tutta l'umanità, ma avessi provato la sedia solo su 20 uomini alti e muscolosi. Non sappiamo se quella sedia (o quel modello di ciclismo) va bene per una donna, per un anziano o per qualcuno che ha subito un infortunio. Manca la diversità nel campione.

3. Il "Segreto" è nascosto

Uno dei punti più critici è la trasparenza.

• L'analogia: Immagina che un cuoco ti dia una ricetta per una torta perfetta, ma non ti dica gli ingredienti esatti o le temperature del forno. Dice solo: "Fai così e viene buona".
• La scoperta: La maggior parte degli studi non condivide il "codice sorgente" (la ricetta esatta del modello). Solo 4 studi su 28 hanno detto: "Ecco, prendete il nostro modello, usatelo, modificalo". Senza questo, è impossibile verificare se i risultati sono veri o se sono solo un'ipotesi fortunata. È come se tutti avessero un segreto che impedisce alla scienza di progredire velocemente.

4. Cosa stanno cercando di scoprire?

Gli scienziati usano questi modelli per tre cose principali:

• Ottimizzare l'attrezzatura: "Se alzo di 2 centimetri la sella, quanto cambia la forza sul ginocchio?" (Come regolare la bici per non farsi male).
• Capire i muscoli: "Come coordinano i muscoli un ciclista professionista rispetto a un principiante?"
• Riabilitazione: "Come possiamo aiutare qualcuno con una lesione alla schiena a pedalare di nuovo?" (Qui i risultati sono promettenti, ma ancora un po' "sperimentali").

5. Il "Test" è spesso debole

Come fanno a sapere se il loro modello virtuale è vero?

• Il problema: Spesso confrontano il loro modello con... altri modelli o con dati vecchi di libri di testo. È come se un nuovo orologio fosse considerato preciso solo perché segna la stessa ora di un altro orologio che non sappiamo se sia giusto.
• Cosa manca: Pochissimi studi hanno confrontato il modello con dati reali presi da persone vere mentre pedavano (come i segnali elettrici dei muscoli o il consumo di ossigeno). Manca il "test di verità" definitivo.

In sintesi: Cosa ci dicono questi ricercatori?

Questo studio è un appello all'ordine.
Dicono: "Il campo del ciclismo simulato è pieno di idee brillanti, ma è un po' caotico. Dobbiamo smettere di costruire 'case' tutte diverse e iniziare a seguire uno stesso piano. Dobbiamo includere donne, anziani e persone con problemi di salute nei nostri modelli. E soprattutto, dobbiamo condividere le nostre ricette (i codici) con tutti, così che la scienza possa avanzare insieme."

L'obiettivo finale?
Creare dei "gemelli digitali" perfetti del ciclista. Se un giorno avremo un modello così preciso e condiviso, potremo dire a un atleta: "Se cambi la posizione della sella di 1 cm, guadagnerai 2 watt di potenza", o a un paziente: "Con questo esercizio, il tuo ginocchio sarà al sicuro". Ma per farlo, dobbiamo prima mettere in ordine la nostra "officina virtuale".

Sommario tecnico

Titolo: Una revisione sistematica guidata da PRISMA degli approcci di modellazione muscoloscheletrica nella biomeccanica del ciclismo degli arti inferiori

1. Il Problema

Il ciclismo è ampiamente utilizzato nella performance sportiva, nella riabilitazione e in contesti clinici. Sebbene gli studi sperimentali abbiano fornito dati dettagliati sulla cinematica e sulla coordinazione articolare, le misurazioni sperimentali sono limitate alle variabili osservabili direttamente (come angoli articolari e forze esterne). Le variabili interne critiche, come le forze muscolari e i carichi articolari, non sono misurabili direttamente in modo non invasivo.
Le simulazioni muscoloscheletriche (MSK) offrono una soluzione computazionale per stimare queste variabili interne e esplorare scenari "what-if". Tuttavia, nonostante la crescente adozione di queste simulazioni, il campo soffre di:

• Mancanza di chiarezza sull'applicazione, validazione e standardizzazione dei modelli.
• Eterogeneità metodologica significativa (scelte di modellazione, protocolli, popolazioni).
• Scarsa riproducibilità e trasparenza nella segnalazione dei risultati.
• Bias demografico (sottorappresentazione femminile e di popolazioni cliniche).

L'obiettivo di questa revisione è caratterizzare sistematicamente l'applicazione, le strategie di validazione, le ipotesi di modellazione e le pratiche di reporting delle simulazioni MSK nella biomeccanica del ciclismo degli arti inferiori.

2. Metodologia

La revisione ha seguito le linee guida PRISMA 2020 per le revisioni sistematiche.

• Fonti di ricerca: Scopus, PubMed, IEEE Xplore e Web of Science.
• Periodo: Da gennaio 2010 a luglio 2024 (ricerca effettuata il 1° agosto 2024).
• Criteri di inclusione: Articoli scientifici peer-reviewed in lingua inglese che applicano simulazioni muscoloscheletriche alla biomeccanica degli arti inferiori nel ciclismo (esclusi studi con sola cinematica inversa o senza modello MSK).
• Processo di selezione: Delle 1.006 record iniziali, dopo la rimozione dei duplicati e lo screening (titolo, abstract, testo completo), sono stati selezionati 28 studi che soddisfano tutti i criteri.
• Estrazione dati: I dati sono stati estratti indipendentemente dai revisori su un foglio di calcolo standardizzato, focalizzandosi su: obiettivi dello studio, caratteristiche dei partecipanti, protocolli di ciclismo, framework di modellazione (software, DOF, muscoli), metodi computazionali, funzioni costo, dati sperimentali di input e strategie di validazione.
• Nota: Non è stato registrato un protocollo preliminare e non è stata effettuata una valutazione formale del rischio di bias, poiché la revisione mira a mappare le pratiche metodologiche piuttosto che sintetizzare effetti di intervento quantitativi.

3. Contributi Chiave e Risultati

A. Applicazioni e Contesto
Gli studi si concentrano su quattro aree principali:

1. Ottimizzazione configurazione bici-ciclista: Analisi di angoli del telaio, posizione della sella, lunghezza delle pedivelle e fattore Q (39% degli studi).
2. Coordinazione neuromuscolare: Studio dei pattern di attivazione muscolare e del comportamento contrattile.
3. Riabilitazione e stimolazione elettrica funzionale (FES): Ottimizzazione delle strategie di stimolazione per popolazioni cliniche (es. lesioni del midollo spinale).
4. Sviluppo e validazione di modelli: Creazione di framework computazionali e dataset aperti.

B. Caratteristiche dei Partecipanti (Bias Demografico)

• Composizione: I 272 partecipanti totali sono prevalentemente maschi (72,8%), giovani adulti (24-30 anni) e ciclisti ricreativi o allenati.
• Sottorappresentazione: Le donne rappresentano solo il 17,6% del campione; le popolazioni cliniche (es. osteoartrite, lesioni spinali) sono marginali (<7%).
• Implicazione: I risultati hanno una generalizzabilità limitata e perpetuano l'assunzione implicita che la morfologia maschile giovane sia il modello "default" umano.

C. Framework di Modellazione e Trasparenza

• Complessità del modello: Grande variabilità. I modelli vanno da modelli mono-piede 2D a modelli full-body 3D con fino a 286 unità muscolo-tendinee.
• Reporting incompleto: Circa il 50% degli studi non specifica il numero di gradi di libertà (DOF) o non elenca completamente i muscoli inclusi. Spesso non è chiaro se i DOF si riferiscano al modello base o alla configurazione adattata al ciclismo.
• Software: OpenSim è la piattaforma dominante (57,1%), seguita da codici personalizzati (25%) e AnyBody (14,3%).
• Riproducibilità: Solo 4 studi su 28 (14,3%) hanno reso pubblicamente disponibili modelli o codice sorgente, nonostante l'uso prevalente di software open-source.

D. Dati Sperimentali e Validazione

• Input: Tutti gli studi che hanno raccolto dati sperimentali hanno incluso misurazioni cinematiche (100%), ma solo il 73,9% ha incluso dati cinetici (forze). I dati neuromuscolari (EMG) sono stati usati nel 26,1% e le misure fisiologiche/metaboliche in un solo studio (4,3%).
• Validazione: La maggior parte delle validazioni si basa su confronti con letteratura o dati cinematici/forze. Nessuno studio ha validato direttamente i carichi articolari interni simulati contro misure sperimentali dirette. La validazione fisiologica è quasi assente.

E. Strategie Computazionali e di Ottimizzazione

• Metodi: L'ottimizzazione statica (32,1%) è il metodo più comune, seguito da dinamica diretta e controllo ottimo (17,9% ciascuno).
• Funzioni Costo: Il 77,3% degli studi che usano ottimizzazione minimizza l'attività o lo sforzo muscolare. Solo raramente vengono inclusi obiettivi legati alla performance (massimizzazione potenza) o alla fisiologia (energia metabolica, fatica).
• Analisi di Sensibilità: Sebbene la maggior parte degli studi vari i parametri (geometria, carico, morfologia), queste variazioni sono spesso esplorative e non costituiscono analisi di sensibilità formali o quantificazione dell'incertezza.

4. Significato e Implicazioni

Questa revisione sistematica evidenzia che il campo della simulazione del ciclismo è tecnicamente diversificato ma metodologicamente incoerente.

• Limiti attuali: La mancanza di standardizzazione nel reporting, la scarsa diversità demografica dei partecipanti e la validazione debole delle variabili interne limitano la fiducia nei risultati e la loro applicabilità clinica o sportiva reale.
• Raccomandazioni per il futuro:
  1. Trasparenza: Necessità di report completi su DOF, scaling, e liste muscolari, con condivisione obbligatoria di modelli e codice.
  2. Inclusività: Adozione di popolazioni di studio bilanciate per sesso e più diversificate clinicamente.
  3. Validazione Rigorosa: Passare dalla semplice verifica cinematica alla validazione fisiologica e dei carichi interni, possibilmente utilizzando dati EMG e metabolici.
  4. Analisi di Sensibilità: Implementare analisi sistematiche per quantificare l'incertezza e la robustezza delle previsioni.
  5. Modelli Predittivi: Spostarsi verso simulazioni di controllo ottimo predittivo per esplorare strategie di movimento non osservabili sperimentalmente, piuttosto che limitarsi a replicare movimenti misurati.

In sintesi, il lavoro fornisce una base fondamentale per migliorare la riproducibilità, la rilevanza pratica e l'affidabilità delle simulazioni muscoloscheletriche nel ciclismo, guidando la comunità verso standard più rigorosi per la ricerca futura.