Bi-level inverse optimal control for preoperative prediction of postoperative squat kinematics after total knee replacement

あなたの膝を、重いドアに取り付けられた複雑なヒンジ（蝶番）だと想像してみてください。そのドアが錆びついて動きが悪くなったとき（これは変形性膝関節症と呼ばれる状態です）、医師は古いヒンジを新品のものに交換します（これが人工膝関節全置換術です）。通常、これにより歩行や階段の上り下りは非常にスムーズになります。しかし、時には新しいヒンジによって、ドアを完全に深く開けることができない場合があります。つまり、深いスクワットのような、高度な屈曲を伴う難しい動きです。

現在、手術前において、医師は静止したX線写真を見ています。これは、ドアの写真をたった一枚だけ撮って、その瞬間を凍結させたようなものです。彼らは、新しいヒンジが実際にどのように動くのかを知ることはできません。彼らは、どの配置が最適に機能するかを推測しなければなりませんが、事前に動的な動きを予測する方法を持っていません。

新しい「水晶玉」シミュレーション
この論文は、膝の動きに対する「水晶玉」として機能する、新しいコンピュータ・シミュレーションを紹介しています。単に写真を見るのではなく、このシミュレーションは、新しい膝の配置に基づいて、術後に患者がどのようにスクワットを行うかを正確に予測しようと試みます。

これを実現するために、研究者たちは「バイレベル逆最適制御（Bi-level Inverse Optimal Control）」と呼ばれる、巧妙な2段階の思考プロセスを使用しました。その仕組みを、簡単な例えを使って説明します。

• 問題点： ある人が完璧にスクワットをしている場面を想像してください。あなたは、その動きを実現するために、その人の脳がどのような「ルール」や「優先順位」を用いたのかを知りたいと考えています。エネルギーを節約することを優先したのでしょうか？ バランスを保つことを優先したのでしょうか？ それとも、できるだけ速く動くことを優先したのでしょうか？
• 手法： コンピュータは逆算して考えます。実際の動き（スクワット）を見て、「どのようなルールがあれば、人はまさにこのように動くことになるのか？」と問いかけるのです。

ルールを学習する2つの方法
研究者たちは、この手法を2つの異なる方法でテストしました。

1. 「パーソナルトレーナー」のアプローチ（個別設定）：
   コンピュータは6人の特定の患者を研究し、一人ひとりに固有の「ルール」を学習しようとしました。これは、あなた特数の動き方を完全に記憶している、専属のコーチがいるようなものです。

   • 結果： これは驚くほど正確でした。コンピュータの予測は、実際の動きとほぼ完璧に一致し、角度の誤差は極めて小さかった（指の幅よりも小さい程度）です。さらに、コンピュータは教えられなくても、患者がどれほど深くスクワットするかさえも導き出しました。その深さは、計算の結果として「自然に」導き出されたのです。

2. 「グループコーチ」のアプローチ（グループレベル設定）：
   コンピュータは、個々の患者ごとに固有のルールを学ぶのではなく、すべての患者の動きを説明できる、たった一つの共通した「ルール」を見つけようとしました。これは、一人ひとりの選手の詳細を知らなくても、全員に通用する一般的なスタイルを学ぶコーチのようなものです。

   • 結果： パーソナルトレーナーの方法ほど完璧ではありませんでしたが、それでも非常に優れたものでした。正確な角度は多少ずれることがあっても、スクワットの全体的なリズムやパターンを捉えることができました。決定的なのは、このバージョンはルールを学習するために「術後」のデータを必要としなかったことであり、これにより、手術前に結果を予測するためのツールとしての可能性が見出されました。

これが意味すること
この研究は、このコンピュータ・フレームワークが、術後のスクワットの主要な特徴を再現することに成功したことを示しています。膝インプラントの配置と、その後の人間の実際の動きを、数学的に結びつけることができるということを証明したのです。

しかし、論文では、これがまだプロトタイプであることを慎重に述べています。外科医が手術の計画を立てたり、患者により良い機能的結果を保証したりするための実用的なツールとして信頼されるためには、より多くの人々に対して（サンプル外での検証を含む）テストを行う必要があります。現時点では、これは静止したX線写真と、動的な現実世界の動きとの間の溝を埋める、強力な概念実証（プルーフ・オブ・コンセプト）なのです。