📄 bioengenharia

Validating OpenCap Kinematics for ACL Injury-Related Movements In and Out of the Lab

Este estudo valida o sistema baseado em smartphone OpenCap como uma ferramenta promissora para avaliar fatores de risco de lesão de LCA em ambientes laboratoriais, embora sua precisão diminua ao medir essas cinemáticas fora do laboratório devido à variabilidade de desempenho.

Autores originais: Swaminathan, K., Seagers, K., Kolesar, J. A., Ong, C. F., Hamner, S., Muccini, J. M., Starr, K. E., Myer, G. D., Delp, S., Hicks, J. L.

Publicado 2026-10-20

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Swaminathan, K., Seagers, K., Kolesar, J. A., Ong, C. F., Hamner, S., Muccini, J. M., Starr, K. E., Myer, G. D., Delp, S., Hicks, J. L.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Todos os anos, mais de 120.000 pessoas nos Estados Unidos rompem um ligamento crucial no joelho, o ligamento cruzado anterior, frequentemente enquanto praticam esportes. Para jovens atletas do sexo feminino, o risco é particularmente alto, com taxas de lesão mais do que o dobro das de seus homólogos do sexo masculino. Essas lesões não são apenas um contratempo temporário; elas podem levar a problemas de saúde a longo prazo, incluindo uma chance significativamente maior de desenvolver artrite mais tarde na vida. Como a maioria dessas rupturas acontece sem um impacto direto no joelho, os pesquisadores acreditam que elas podem ser evitáveis ao ensinar os atletas a se moverem de forma diferente. Cientistas identificaram maneiras específicas de se mover — como a forma como uma pessoa aterrissa de um salto ou faz cortes em um campo — que colocam estresse extra no joelho. Ao medir esses movimentos, eles podem calcular uma pontuação que indica quão resiliente é o corpo de um atleta à lesão. O desafio sempre foi que medir esses movimentos com precisão exige câmeras e sensores caros, que ocupam o tamanho de uma sala, encontrados apenas em laboratórios especializados, tornando impossível verificar os atletas com frequência ou nos locais onde eles realmente jogam.

Uma equipe de pesquisadores partiu para ver se uma ferramenta muito mais simples poderia substituir o laboratório. Eles testaram um sistema de software chamado OpenCap, que utiliza vídeos gravados por smartphones padrão para estimar como o corpo se move em três dimensões. O objetivo era determinar se esse método baseado em telefone poderia medir com precisão os mesmos fatores de risco de lesão que o equipamento de alta tecnologia do laboratório e se poderia capturar como os atletas se movem no mundo real, fora do ambiente controlado de um laboratório. A equipe recrutou 26 atletas adolescentes do sexo feminino, cuja idade média era de cerca de 16 anos, que praticavam esportes como futebol, basquete e voleibol. Nenhuma das participantes tinha histórico de cirurgia no joelho. Os pesquisadores pediram que essas atletas realizassem uma série de cinco movimentos comuns usados para triagem de risco de lesão: agachamentos unipodais, saltos unipodais e bipodais, e dois tipos de curvas acentuadas. Eles gravaram esses movimentos duas vezes para cada atleta: uma dentro do laboratório com o sistema de captura de movimento padrão ouro, e outra fora, em um ambiente mais natural, usando apenas smartphones.

Os resultados mostraram que o sistema de smartphone funcionou de forma notável quando comparado ao equipamento de laboratório. Dentro do laboratório, as pontuações de resiliência à lesão calculadas a partir dos vídeos do telefone foram fortemente ligadas às pontuações das câmeras de alta tecnologia. Os dois métodos concordaram de forma tão próxima que os telefones poderiam classificar os atletas de maior para menor risco de forma confiável. Quando os pesquisadores observaram os detalhes específicos dos movimentos, como o quanto o joelho dobrou ou o quanto o quadril rotacionou, o sistema de telefone capturou os padrões com alta precisão para a maioria das articulações, particularmente o joelho e o quadril. Os erros na medição desses ângulos foram pequenos o suficiente para que o sistema pudesse provavelmente detectar os tipos de mudanças que ocorrem quando um atleta melhora sua técnica através do treinamento. Isso sugere que treinadores e instrutadores poderiam usar smartphones simples para monitorar atletas e fornecer feedback imediato sobre como se mover de forma mais segura, sem a necessidade de uma visita a uma instalação de pesquisa.

No entanto, a história mudou ligeiramente quando as atletas se moveram para fora do laboratório. Embora os telefones ainda funcionassem, as pontuações calculadas das sessões externas não coincidiram com as pontuações internas tão proximamente quanto os pesquisadores esperavam. Muitas atletas moveram-se de forma diferente quando estavam fora em comparação a quando estavam no laboratório, e essas diferenças foram grandes o suficiente para alterar suas pontuações de risco significativamente. Por exemplo, uma atleta que mostrou um padrão de aterrissagem muito seguro dentro do laboratório exibiu uma aterrissagem mais rígida e arriscada fora, com menos flexão do joelho e mais inclinação do tronco. Outra atleta mostrou a tendência oposta, movendo-se com melhor forma fora do laboratório. Isso indica que o próprio ambiente influencia como as pessoas se movem, e um único teste em uma sala silenciosa pode não contar toda a história do risco de um atleta. O estudo não descobriu que o sistema de telefone estava com defeito; pelo contrário, revelou que os atletas genuinamente se comportam de forma diferente no mundo real.

Os pesquisadores concluíram que ferramentas baseadas em smartphones são uma forma válida de medir a biomecânica do risco de lesão, oferecendo um caminho prático para monitorar atletas com mais frequência e nos ambientes onde eles realmente jogam. A tecnologia é precisa o suficiente para rastrear melhorias no movimento e identificar padrões perigosos. No entanto, as diferenças entre o desempenho no laboratório e no mundo real destacam um ponto crucial: para realmente entender e prevenir lesões, precisamos ver como os atletas se movem em seus ambientes naturais, não apenas em uma sala controlada. Este trabalho lança as bases para um futuro onde a prevenção de lesões não seja limitada a algumas visitas a um laboratório, mas se torne uma parte contínua do treinamento diário de um atleta, guiada por dados que refletem seus verdadeiros hábitos de movimento.

Problema
As lesões do ligamento cruzado anterior (LCA) são prevalentes entre atletas adolescentes do sexo feminino e acarretam consequências significativas para a saúde a longo prazo, incluindo o aumento do risco de osteoartrite e sofrimento psicológico. Embora fatores de risco cinemáticos modificáveis específicos (ex.: redução da flexão do joelho, aumento do valgo do joelho) tenham sido identificados e consolidados na pontuação de Resiliência à Lesão do LCA cinemática (kAIR), os métodos atuais de avaliação dependem de captura de movimento (MoCap) óptica baseada em laboratório. Essa dependência limita a frequência de triagem e impede o monitoramento longitudinal em ambientes reais e ecologicamente relevantes. Existe uma necessidade crítica de ferramentas acessíveis e portáteis capazes de medir rapidamente esses fatores de risco biomecânicos fora do laboratório para orientar o treinamento de prevenção de lesões.

Metodologia
O estudo avaliou a precisão do OpenCap, um sistema de captura de movimento baseado em smartphone, em comparação com um sistema de referência de MoCap óptica de 16 câmeras.

Participantes: 26 atletas adolescentes do sexo feminino (idade média 15,7 ± 1,2 anos) sem histórico de lesões cirúrgicas no joelho.
Tarefas: As participantes realizaram cinco atividades de triagem de lesão do LCA: agachamentos unipodais, saltos verticais de queda (drop vertical jumps) unipodais e bipodais, cortes de 90 graus (90-degree drop cuts) e cortes de corrida de 90 graus (90-degree run cuts).
Coleta de Dados:
- No Laboratório: Coleta simultânea de dados usando MoCap (50 marcadores retroreflexivos a 200 Hz) e OpenCap (três iPhones a 240 Hz).
- Fora do Laboratório: Coleta de dados apenas via OpenCap, realizada em ambientes não laboratoriais.
Processamento: Um modelo musculoesquelético de 33 graus de liberdade, modificado para incluir um grau de liberdade no plano frontal no joelho, foi escalonado para cada participante. A cinemática inversa foi computada no OpenSim para derivar os ângulos articulares. A pontuação kAIR e suas subpontuações específicas das articulações (tronco, quadril, joelho, tornozelo) foram calculadas usando 24 métricas cinemáticas derivadas dos dados de série temporal.
Análise Estatística: A concordância e a consistência foram avaliadas usando coeficientes de correlação de Pearson ( $r$ ), tau de Kendall ( $\tau$ ) para consistência de classificação e Coeficientes de Correlação Intraclasse (ICC) para concordância absoluta. Erros Quadráticos Médios (RMSE) foram calculados para métricas individuais.

Principais Contribuições

Validação de Pontuações Compostas: O estudo fornece a primeira validação do OpenCap para gerar a pontuação composta kAIR em adolescentes do sexo feminino realizando tarefas relevantes para o LCA, em vez de apenas avaliações de tarefa única em adultos.
Cinemática do Plano Frontal: Diferente de estudos anteriores do OpenCap que utilizavam modelos de joelho de um único grau de liberdade, este trabalho utilizou um modelo modificado para capturar a cinemática do plano frontal do joelho (valgo dinâmico do joelho), que são críticos para o risco de lesão do LCA.
Comparação In-Lab vs. Out-of-Lab: A pesquisa caracteriza as diferenças nas medições biomecânicas e nas pontuações kAIR entre ambientes controlados de laboratório e ambientes do mundo real, abordando uma lacuna no entendimento de como o contexto ambiental afeta os padrões de movimento.

Resultados

Concordância In-Lab (OpenCap vs. MoCap):
- Pontuação kAIR: Observou-se uma correlação forte ( $r=0,84$ , $p<0,001$ ) e boa concordância (ICC=0,83) entre as pontuações derivadas do OpenCap e do MoCap.
- Subpontuações: As correlações foram de moderadas a fortes para as subpontuações específicas das articulações ( $r=0,46$ a $0,92$). A consistência de classificação foi significativa para as subpontuações de joelho e quadril, mas não para tornozelo e tronco.
- Métricas Individuais: Os dados de série temporal mostraram correlações fortes ( $r>0,8$ ) para 27 de 30 medidas de coordenadas articulares. O ângulo de pico de flexão do joelho apresentou a maior correlação ( $r=0,96$ ), enquanto a flexão do tornozelo no contato inicial apresentou a menor ( $r=0,27$ ). Os RMSEs para ângulos do tronco e membros inferiores variaram de 2,4 a 8,9 graus.
Viabilidade Out-of-Lab:
- O OpenCap coletou dados com sucesso em ambientes fora do laboratório com uma taxa de sucesso de 94,8% (36 de 698 tentativas excluídas devido a erros).
- Pontuações In-Lab vs. Out-of-Lab: As pontuações kAIR derivadas pelo OpenCap de sessões in-lab e out-of-lab foram apenas moderadamente correlacionadas ( $r=0,45$ , $p=0,027$ ) com concordância pobre (ICC=0,45).
- Variabilidade: 19 de 24 participantes exibiram mudanças em suas pontuações kAIR entre os ambientes que excederam a variabilidade média tentativa a tentativa dentro do próprio indivíduo. A inspeção visual dos modelos biomecânicos confirmou que essas mudanças de pontuação correspondiam a diferenças reais nos padrões de movimento (ex.: redução da flexão do joelho e aumento da inclinação lateral do tronco no ambiente fora do laboratório para algumas atletas).

Significância
Os autores afirmam que este trabalho estabelece as bases para o monitoramento longitudinal de grande escala de fatores de risco cinemáticos modificáveis de lesão do LCA em ambientes do mundo real. Embora o OpenCap demonstre forte validade concorrente com o MoCap para calcular a pontuação kAIR em um laboratório, o estudo destaca que as atletas podem realizar as tarefas de triagem de forma diferente fora do laboratório. Consequentemente, o artigo sugere que, embora o OpenCap seja uma ferramenta viável para triagem rápida e acessível, a variância ambiental observada nos padrões de movimento ressalta a necessidade de coletar dados em configurações ecologicamente relevantes para caracterizar com precisão o risco de lesão. O estudo não afirma que o OpenCap é um substituto perfeito para o MoCap em todos os contextos, mas o posiciona como um passo crítico em direção ao monitoramento biomecânico escalável no mundo real.

Mais como este