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

Esta revisão sistemática guiada pelo PRISMA analisou 28 estudos sobre modelagem musculoesquelética no ciclismo de membros inferiores, identificando lacunas críticas na diversidade de participantes, padronização de relatórios e validação fisiológica, e recomendando práticas mais transparentes e rigorosas para melhorar a reprodutibilidade e relevância clínica da área.

O essencial

Imagine que você é um mecânico tentando consertar uma bicicleta muito especial: o corpo humano. Você sabe como as rodas giram e como o ciclista pedala, mas o que acontece dentro dos músculos e das juntas enquanto ele pedala? É como tentar adivinhar o que está acontecendo no motor de um carro apenas olhando para o velocímetro. Você não consegue ver a pressão nos pistões ou o atrito nas engrenagens internas.

É aqui que entra este estudo. Os autores fizeram uma "grande revisão" (como se fosse um relatório de auditoria) de 28 pesquisas científicas que usaram simulações de computador para tentar "enxergar" o que acontece dentro das pernas de ciclistas.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O "Raio-X" do Corpo

Os cientistas usam softwares para criar modelos digitais de ciclistas. É como ter um boneco de ação super-realista no computador. Eles podem pedir para o boneco pedalar e, em vez de apenas ver o movimento, o computador calcula a força que cada músculo está fazendo e a pressão que cada joelho está suportando. Isso é incrível porque, na vida real, não podemos colocar sensores dentro do músculo de um atleta sem machucá-lo.

2. O Que Eles Encontraram (A Auditoria)

Os autores olharam para 28 estudos e encontraram algumas coisas curiosas e preocupantes:

• O "Time" é muito parecido: A maioria dos estudos usou apenas homens jovens e saudáveis como modelo. É como se todos os testes de segurança de carros fossem feitos apenas com pilotos de corrida do mesmo peso e altura. Falta muito mulheres, idosos e pessoas com lesões (como problemas no joelho ou lesões na medula espinhal) nessas simulações.
• Cada um faz do seu jeito: Não há um "manual de instruções" padrão. Um cientista pode usar um modelo de perna única, outro usa o corpo todo, um usa 2D (como um desenho plano), outro usa 3D (como um holograma). É como se cada mecânico usasse uma ferramenta diferente para medir a mesma peça, tornando difícil comparar os resultados.
• Segredos guardados: Poucos pesquisadores compartilham os "arquivos" do seu boneco digital ou o código do computador. É como se um chef de cozinha criasse uma receita deliciosa, mas não quisesse dizer quais ingredientes usou. Isso dificulta que outros verifiquem se o resultado está certo.
• O "Test Drive" é fraco: Para saber se o boneco no computador está agindo como um humano real, eles deveriam comparar com dados reais. Mas muitos estudos apenas compararam com outros estudos antigos, em vez de medir a força real dos músculos ou o suor do ciclista. É como tentar adivinhar se um carro é rápido apenas olhando para a foto dele, sem nunca ter dirigido.

3. O Que Eles Usam para Decidir? (A "Fórmula Mágica")

Para fazer o computador decidir como o músculo deve se mover, eles usam uma "fórmula matemática" (chamada de função de custo).

• A maioria das fórmulas diz: "Faça o movimento gastando o mínimo de energia possível". É como se o computador sempre escolhesse o caminho mais fácil e preguiçoso.
• Poucos estudos tentam simular situações mais complexas, como um ciclista cansado (fadiga) ou alguém tentando pedalar com uma perna paralisada (reabilitação).

4. A Conclusão: Para Onde Vamos?

O estudo diz que, embora a tecnologia seja poderosa, ela ainda está "na adolescência".

• Precisamos de mais diversidade: Precisamos simular mulheres, idosos e pessoas doentes para que as dicas de ajuste de bicicleta ou reabilitação sirvam para todo mundo, não apenas para homens jovens.
• Precisamos de transparência: Os cientistas precisam compartilhar seus "bonecos" e códigos para que todos possam verificar e melhorar o trabalho uns dos outros.
• Precisamos de testes reais: Em vez de apenas comparar com outros computadores, precisamos validar essas simulações com dados reais de pessoas de verdade.

Resumo da Ópera:
Este papel é um "mapa" que mostra que temos ferramentas incríveis para entender o ciclismo, mas estamos usando-as de forma meio bagunçada e limitada. Se organizarmos melhor o time, incluímos mais tipos de pessoas e compartilharmos mais os segredos, poderemos usar esses computadores para criar bicicletas mais seguras, tratamentos de reabilitação melhores e ajudar atletas a pedalar mais forte e sem se machucar.

Resumo técnico

Título: Uma revisão sistemática guiada por PRISMA de abordagens de modelagem musculoesquelética na biomecânica do ciclismo de membros inferiores

1. O Problema

O ciclismo é amplamente utilizado no desempenho esportivo, reabilitação e contextos clínicos. Embora estudos experimentais forneçam dados sobre cinemática e dinâmica externa, eles têm acesso limitado a variáveis internas, como forças musculares e cargas articulares. As simulações computacionais musculoesqueléticas (MSK) permitem estimar essas variáveis internas e realizar investigações de "e se" (what-if). No entanto, a revisão identifica que, apesar do crescimento no uso dessas simulações, a aplicação, validação, padronização e transparência das práticas de modelagem no ciclismo permanecem obscuras. Existe uma falta de síntese sistemática focada em simulação que esclareça como as escolhas metodológicas afetam a reprodutibilidade e a generalização dos resultados, especialmente considerando a diversidade de protocolos de ciclismo e populações estudadas.

2. Metodologia

A revisão seguiu as diretrizes PRISMA 2020 para garantir rigor metodológico.

• Critérios de Elegibilidade: Foram incluídos artigos revisados por pares em inglês (2010–2024) que aplicaram simulações musculoesqueléticas para analisar a biomecânica interna de membros inferiores no ciclismo. Estudos focados apenas em cinemática inversa ou sem modelo musculoesquelético foram excluídos.
• Fontes de Dados: Buscas realizadas no Scopus, PubMed, IEEE Xplore e Web of Science.
• Processo de Seleção: Das 1.006 registros iniciais, após remoção de duplicatas e triagem (título, resumo e texto completo), 28 estudos atenderam aos critérios de inclusão.
• Extração de Dados: Os autores extraíram variáveis sobre objetivos do estudo, características dos participantes, protocolos de ciclismo, escopo do modelo (anatomia, dimensão, graus de liberdade), plataformas de software, métodos de simulação (otimização estática, dinâmica direta, controle ótimo), funções de custo e estratégias de validação.
• Limitações da Revisão: Não houve registro de protocolo prévio, nem avaliação formal de risco de viés ou síntese quantitativa (meta-análise), devido à heterogeneidade dos estudos e ao objetivo de mapear práticas metodológicas.

3. Principais Contribuições e Resultados

A. Aplicações e Contexto:

• Os estudos focaram principalmente em: otimização de configuração bicicleta-piloto (53,6%), análise de coordenação neuromuscular, aplicações em reabilitação/estimulação elétrica funcional (FES) e desenvolvimento de modelos computacionais.
• Protocolos: Estudos de reabilitação tendem a usar cadências e potências baixas, enquanto estudos esportivos utilizam cadências e potências moderadas a altas.

B. Características dos Participantes (Viés Demográfico):

• Desequilíbrio de Sexo: A amostra total de 272 participantes era composta majoritariamente por homens (72,8%), com apenas 17,6% de mulheres.
• Perfil: A maioria eram adultos jovens (24–30 anos), saudáveis e recreativos ou treinados. Populações clínicas (ex.: lesão medular, osteoartrite) foram minimamente representadas.
• Homogeneidade: As características antropométricas eram homogêneas, limitando a generalização para diferentes morfologias.

C. Quadros Metodológicos e Modelagem:

• Variabilidade do Modelo: Houve grande variação no escopo anatômico (modelos de perna única, duas pernas, corpo inteiro com/sem braços) e dimensionalidade (39,3% 2D vs. 60,7% 3D).
• Complexidade: O número de unidades músculo-tendíneas variou drasticamente (de 4 a 286).
• Transparência: A descrição dos graus de liberdade (DOF) foi frequentemente incompleta ou ambígua. Cerca de metade dos estudos não especificou os DOFs utilizados.
• Software: O OpenSim foi a plataforma mais usada (57,1%), seguido por softwares personalizados (25,0%) e AnyBody (14,3%).
• Reprodutibilidade: Apenas 4 estudos (14,3%) disponibilizaram publicamente os modelos ou códigos, apesar do uso predominante de ferramentas de código aberto.

D. Dados Experimentais e Validação:

• Coleta de Dados: Embora todos os estudos com dados experimentais incluíssem cinemática, apenas dois terços incluíram dados cinéticos (forças) e apenas um estudo relatou medidas fisiológicas/metabólicas.
• Validação: A validação foi geralmente baseada em valores da literatura. A maioria comparou cinemática ou forças de pedal, mas poucos validaram ativações musculares e nenhum validou diretamente cargas articulares internas contra medições experimentais.

E. Estratégias Computacionais:

• Métodos: A otimização estática foi o método mais comum (32,1%), seguido por dinâmica direta e controle ótimo. Métodos preditivos completos são raros.
• Funções de Custo: 77,3% dos estudos com otimização buscaram minimizar a atividade ou esforço muscular. Poucos incorporaram objetivos de desempenho (maximizar potência) ou termos fisiológicos realistas (como custo metabólico).
• Análise de Sensibilidade: A variação de parâmetros foi comum, mas geralmente exploratória e não sistemática. Poucos estudos realizaram análises formais de sensibilidade ou quantificação de incerteza.

4. Significado e Conclusão

A revisão conclui que o campo da simulação de ciclismo musculoesquelético é tecnicamente diverso, mas metodologicamente inconsistente.

• Gaps Identificados:
  1. Viés Demográfico: A sub-representação de mulheres e populações clínicas limita a aplicabilidade clínica e a equidade na pesquisa.
  2. Falta de Padronização: A inconsistência na descrição de modelos, restrições e parâmetros dificulta a comparação e reprodutibilidade.
  3. Validação Fraca: A dependência de validação baseada em literatura e a falta de validação de cargas internas contra dados experimentais reduzem a confiança nas previsões de forças musculares.
  4. Transparência: A baixa taxa de compartilhamento de código e modelos impede a verificação independente.
• Recomendações Futuras: O campo precisa avançar para:
  • Amostras de participantes mais diversas e equilibradas por sexo.
  • Relatórios mais transparentes e completos (padrões de descrição de modelos).
  • Validação mais rigorosa, incluindo dados fisiológicos e cargas internas.
  • Adoção de análises de sensibilidade sistemáticas e quantificação de incerteza.
  • Uso crescente de simulações preditivas e controle ótimo para ir além da explicação de movimentos observados, permitindo a exploração de estratégias novas.

Em suma, o estudo fornece uma base crítica para melhorar a reprodutibilidade, a relevância prática e a validade científica das simulações musculoesqueléticas no ciclismo, apontando a necessidade de transição de práticas exploratórias para padrões rigorosos e personalizados.