Investigating the relationship between kinematic brain injury metrics and brain tissue strain for a football helmet test standard

Resumo Técnico: Investigando a Relação entre Métricas Cinemáticas de Lesão Cerebral e Deformação do Tecido Cerebral para um Padrão de Teste de Capacetes de Futebol Americano

Definição do Problema
Atletas de futebol americano enfrentam um alto risco de concussão devido a impactos frequentes na cabeça. Embora os atuais padrões de desempenho de capacetes da National Operating Committee on Standards for Athletic Equipment (NOCSAE) tenham sido eficazes na redução de lesões cerebrais traumáticas graves, as concussões permanecem prevalentes. Isso sugere que os critérios de avaliação atuais, baseados principalmente no Índice de Gravidade de Gadd (GSI), podem não representar adequadamente os mecanismos associados à lesão por concussão. Embora a Deformação Principal Máxima (MPS), derivada de modelos de Elementos Finitos (FE), seja um preditor amplamente aceito de lesão cerebral ligado a prejuízos estruturais e funcionais, sua aplicação direta na certificação de capacetes é limitada pelo custo computacional e pelo tempo. Consequentemente, os padrões dependem de métricas de lesão cinemáticas (ex: HIC, BrIC, GAMBIT) derivadas de dados de aceleração da cabeça. No entanto, a capacidade dessas métricas cinemáticas de representar com precisão a deformação do tecido cerebral sob condições de teste padronizadas da NOCSAE permanece incerta.

Metodologia
O estudo utilizou dados de testes de impacto padrão NOCSAE realizados em três modelos de capacetes de futebol americano (Riddell Speed Classic Icon, Speedflex e Axiom) montados em um boneco de teste (head form) de 4,90 kg certificado pela NOCSAE.

• Configuração Experimental: Os impactos foram gerados usando dois aparatos: um sistema de queda guiado por cabos e um pistão pneumático. Um total de 96 impactos foram conduzidos em várias localizações (frente, lateral, traseira, topo, etc.) e velocidades (variando de 3,46 m/s a 6,00 m/s).
• Coleta de Dados: A cinemática linear e rotacional da cabeça foi registrada via acelerômetros no centro de gravidade, amostrada a 20 kHz e filtrada com um filtro CFC180.
• Cálculo de Métricas: Sete métricas cinemáticas de lesão cerebral foram calculadas para cada impacto: GSI, Critério de Lesão Cerebral (HIC), Potência de Impacto na Cabeça (HIP), Modelo de Aceleração Generalizado para Limiar de Lesão Cerebral (GAMBIT), Avaliação Multiaxial de Dano Axonal Difuso (DAMAGE), Critério de Lesão Cerebral (BrIC) e Critério de Lesão Cerebral Universal (UBrIC).
• Determinação da MPS: As histórias temporais de aceleração linear e rotacional foram aplicadas ao modelo de trauma cerebral da University College Dublin v2.0 (UCD2) para determinar a Deformação Principal Máxima (MPS) da substância cinzenta.
• Análise Estatística: O estudo empregou regressão linear para avaliar as correlações entre as métricas/variáveis cinemáticas individuais e a MPS. Além disso, a validação cruzada de 10 dobras foi utilizada para desenvolver e testar três modelos preditivos: regressão linear simples, regressão linear múltipla (incorporando a cinemática resultante de pico e seus componentes direcionais) e regressão de floresta aleatória (random forest).

Principais Resultados

• Faixa de Deformação: Os impactos padrão NOCSAE produziram valores de MPS variando de 0,180 a 0,641 (Média = 0,386), situando-se dentro das faixas associadas ao risco de lesão por concussão na literatura, embora nenhum tenha excedido os limiares de certificação existentes da NOCSAE para GSI ou Aceleração Rotacional Resultante de Pico (PRRA).
• Desempenho de Correlação: A análise de regressão linear revelou correlações fracas entre as métricas de lesão cinemáticas existentes e a MPS ($R^2 < 0,4$). O GAMBIT apresentou a maior correlação ($R^2 = 0,342$), seguido pelo UBrIC ($R^2 = 0,333$). Métricas tradicionais como GSI ($R^2 = 0,127$) e HIC ($R^2 = 0,112$) demonstraram as associações mais fracas.
• Modelagem Preditiva:
  • Métricas Únicas: Nenhuma métrica cinemática única ou variável de pico de resultante forneceu poder preditivo forte para a MPS.
  • Regressão Múltipla: A incorporação de múltiplas variáveis cinemáticas (aceleração linear resultante de pico, aceleração rotacional, velocidade rotacional e seus componentes ortogonais x, y, z) melhorou significativamente a precisão da previsão ($R^2 = 0,862$, RMSE = 0,042).
  • Floresta Aleatória (Random Forest): O modelo de floresta aleatória alcançou o maior desempenho ($R^2 = 0,908$, RMSE = 0,037), embora a melhoria sobre a regressão linear múltipla tenha sido marginal. Isso sugere um "efeito de teto", onde a maior parte da variância explicável é capturada pelas variáveis cinemáticas, com a variância restante atribuída ao ruído experimental ou fatores biomecânicos não modelados.

Significância e Alegações
O artigo afirma que as atuais métricas de lesão baseadas em cinemática, incluindo as utilizadas nos padrões atuais, têm uma capacidade limitada de refletir os fatores biomecânicos associados à deformação do tecido cerebral sob condições de teste NOCSAE. O estudo demonstra que, enquanto abordagens de métrica única falham em capturar a complexidade da geração de deformação, abordagens multivariáveis que combinam a cinemática resultante de pico com seus componentes direcionais oferecem uma avaliação mais biologicamente significativa.

Os autores concluem que a incorporação de modelos de aprendizado de máquina multivariáveis nos padrões de avaliação de capacetes pode fornecer uma estimação mais precisa da deformação do tecido cerebral do que os critérios atuais. Esta abordagem pode avaliar melhor o risco de concussão e apoiar o desenvolvimento de equipamentos de proteção que mitiguem a lesão cerebral de forma mais eficaz. O estudo observa explicitamente que pesquisas futuras devem investigar o uso de séries temporais cinemáticas completas em modelos de aprendizado de máquina para refinar ainda mais essas previsões.