基于智能手机的单摄像头无标记运动捕捉技术评估膝骨关节炎患者膝关节活动度的有效性研究

《Physiology & Behavior》：Exploring the Validity of Smartphone Based Single Camera Markerless Motion Capture Technology to Quantify Knee Range of Motion in Patients with Knee Osteoarthritis

本研究针对膝骨关节炎(OA)患者膝关节功能远程监测需求，验证了基于智能手机的单摄像头无标记运动捕捉技术(msk.ai Deep Vision平台)的有效性。通过与3D运动捕捉系统对比发现，该平台在评估矢状面膝关节屈曲、伸展及活动度(ROM)时具有较高准确性(平均差异≤1°)，且组内可靠性良好(95%一致性界限≤±10°)，为数字化远程医疗提供了新方案。

　　

随着人口老龄化加剧，膝关节骨关节炎(OA)已成为全球致残的主要病因之一。在临床实践中，关节活动度(ROM)评估是衡量关节功能的重要指标，既可用于监测骨关节炎等肌肉骨骼疾病的进展，也能追踪患者在接受各种干预措施后的康复情况。然而，传统的关节活动度评估主要依赖医护人员使用量角器进行手动测量，这种方式不仅存在较大的人为误差，还需要患者反复前往医院就诊，给医疗系统和患者都带来了沉重的时间与经济负担。

在数字医疗快速发展的今天，远程监测技术为解决这一难题带来了曙光。英国国家医疗服务体系(NHS)在长期计划中特别强调，数字技术有望重塑医疗保健模式，帮助患者实现居家健康管理。在众多技术方案中，基于惯性测量单元(IMU)和视频追踪的系统最被看好。但IMU系统需要佩戴多个传感器，给居家使用带来不便；而单摄像头无标记运动捕捉技术只需利用智能手机摄像头，就能实现关节运动的量化分析，展现出独特的应用潜力。

正是在这样的背景下，Edge Hill大学的研究团队在《Physiology》发表论文，首次系统验证了msk.ai Deep Vision平台在膝骨关节炎患者中的有效性。该研究招募了15名终末期膝骨关节炎患者（平均年龄71岁），通过对比金标准的3D运动捕捉系统、Deep Vision平台和手动视频分析软件Kinovea的测量结果，全面评估了该技术在量化矢状面膝关节运动方面的性能。

关键技术方法包括：使用10摄像头Qualisys系统（200Hz）作为金标准，同步采集智能手机（iPhone7，30Hz）视频；通过Deep Vision平台的计算机视觉算法自动识别大转子、股骨外上髁和外踝等解剖标志；采用Bland-Altman分析并以±5°（平均差异）和±10°（95%一致性界限）作为临床意义阈值。

有效性——测量方法间一致性

研究结果显示，Deep Vision平台在评估膝关节峰值屈曲、伸展和活动度时，与3D运动捕捉系统的平均差异均为0°，且95%一致性界限完全落在临床可接受范围内（屈曲：-8°至8°；伸展：-6°至6°；活动度：-10°至10°）。相比之下，Kinovea软件虽然平均差异也在临床意义范围内，但其在评估峰值屈曲和活动度时的一致性界限超出了±10°的阈值。这表明Deep Vision平台的自动化算法在保证准确性的同时，有效避免了人工测量可能引入的误差。

可靠性——测量方法内一致性

在组内可靠性方面，三种测量方法均显示出良好的一致性。Deep Vision平台评估膝关节活动度的平均差异为1°，一致性界限为-6°至9°，虽然有个别重复测量比较（如第1次与第3次）的一致性界限略宽，但整体可靠性指标仍符合临床要求。这表明该技术在同一会话期内能提供稳定的测量结果。

讨论部分指出，Deep Vision平台的高准确性可能源于其基于计算机视觉和深度学习算法，能够自动识别并追踪关键解剖标志，从而减少人为误差。与需要手动处理的Kinovea等软件相比，该平台不仅提高了测量效率，更降低了临床工作负担。值得注意的是，本研究存在一定局限性：由于光学标记物会影响无标记追踪算法，未能实现同步数据采集；实验在受控实验室环境下进行，未来需在家庭或临床环境中进一步验证。

该研究最终得出结论：基于智能手机的Deep Vision平台为膝骨关节炎患者提供了一种有效、可靠的膝关节运动量化方案，有望推动远程患者监测模式的发展。随着数字医疗技术的不断成熟，这种无标记、易操作的运动捕捉技术或将成为实现虚拟诊所的重要工具，为肌肉骨骼疾病管理带来革命性变化。