基于运动模式机器学习分类的儿童马蹄内翻足复发早期识别研究

本研究针对儿童马蹄内翻足（clubfoot）复发早期识别难题，通过三维运动分析结合机器学习算法，首次建立了基于多关节运动特征的复发分类模型。研究团队采用逻辑回归（LR）模型分析行走、踮脚行走等动态活动中的骨盆-髋-膝运动链特征，发现组合活动分析可显著提高复发识别灵敏度（0.79），其中踮脚行走的AUC达0.81。该研究为临床随访提供了可量化的生物力学标志物，有望减少手术干预需求。

　　

先天性马蹄内翻足作为最常见的骨科畸形之一，全球每年约有17.5万新生儿受累。尽管Ponseti方法已成为标准治疗手段，但高达67.3%的复发率仍是临床棘手难题。复发若未及时干预，将导致功能残疾和疼痛，而晚期识别往往需手术矫正，影响患儿长期生活质量。当前临床依赖主观评估工具如CAP（Clubfoot Assessment Protocol）评分，难以捕捉多关节水平的复杂运动链异常，这正是Fontys University of Applied Sciences（荷兰）与KU Leuven（比利时）联合团队开展本研究的核心动因。

为突破这一瓶颈，研究人员创新性地将机器学习引入儿童马蹄内翻足评估领域。通过三维运动捕捉系统（Charnwood Dynamics Ltd.）采集35例5-9岁患儿（14例复发/21例非复发）在行走、踮脚行走等四种动态活动中的运动学数据，采用牛津足模型（Oxford Foot Model）量化骨盆至足部的多节段运动特征。研究运用嵌套交叉验证策略，对比支持向量机（SVM）、XGBoost和逻辑回归（LR）等算法的分类效能，最终构建基于运动特征的复发预测模型。

模型性能方面，踮脚行走展现出最佳区分能力，其受试者工作特征曲线下面积（AUC）达0.81，显著高于常规行走（0.71）和跑步（0.62）。

值得注意的是，单一活动分析存在局限性——基于行走的模型虽灵敏度较高（0.57），但会漏诊43%复发案例；而组合活动策略将灵敏度提升至0.79，特异性保持0.52。

特征重要性分析揭示，骨盆倾斜（obliquity）和髋关节内收/外展（ab/adduction）等近端关节特征比足部参数更具鉴别力。这与复发涉及整个运动链代偿的病理机制相符，提示临床评估需超越局部足部畸形，关注整体运动模式异常。研究还发现四例初始归类为非复发的患儿，其运动特征模型预测为阳性，后续随访中确证复发，预示该方法或具早期预警潜力。

该研究的创新价值在于：首次证实机器学习可解码马蹄内翻足复发的运动特征密码，为客观化随访建立新范式；提出的"行走+踮脚行走"组合评估方案（灵敏度0.71/特异性0.71）兼具临床可行性与准确性；揭示的骨盆-髋关节代偿特征为复发监测提供新视角。Lianne Grin等学者在讨论中指出，当前模型需扩大样本量以提升泛化能力，未来可整合动力学参数（kinetics）和支具依从性等多元数据优化预测效能。

这项发表于《Scientific Reports》的研究标志着儿童马蹄内翻足管理进入智能化评估新阶段。通过将复杂的运动链异常转化为可量化的分类指标，不仅有望改变依赖经验判断的传统模式，更为重要的是，其高达79%的复发识别率意味着更多患儿可获早期非手术治疗机会，避免手术创伤。随着后续研究的深入，这种基于生物特征的模式识别方法或将成为儿童骨科智能辅助决策的典范。