基于高斯过程回归（GPR）预测职业长跑运动员膝关节疼痛严重程度：概率化、可解释的常规训练与人体测量变量建模研究

《Frontiers in Public Health》：Predicting knee pain severity in professional distance runners using gaussian process regression

　　

背景：膝关节疼痛在跑者中常见，并可能先于损伤出现；临床标签稀疏，但重复症状监测对训练决策具有实用性。本文旨在开发一种概率化、可解释的模型，使用高斯过程回归（Gaussian Process Regression, GPR）预测职业长跑运动员连续的膝关节疼痛严重程度评分，并量化常规可测训练与人体测量变量的相对影响。方法：从土耳其安卡拉职业田径运动中招募50名年龄20–30岁的职业男性长跑运动员。使用六个预测变量：抗阻训练频率、周跑量、训练表面、跑步技术（足着地类别）、既往膝关节问题史和身体质量指数（body mass index, BMI）。结局为自报数字评定量表标准化至0–1的连续膝关节疼痛严重程度评分。采用径向基函数核（radial basis function kernel）的GPR模型，使用训练-测试集划分进行训练，并以均方误差（mean squared error, MSE）评估。结果：使用95%可信区间（95% credible intervals）量化预测不确定性，并进行敏感性分析以评估特征影响。GPR模型在留出测试集上取得低预测误差[MSE = (0.02)]，并在交叉验证下表现稳定[平均MSE = (0.028)]。结论：敏感性分析显示，GPR对抗阻训练频率和BMI的响应模式明显，对周跑量和既往膝关节问题/损伤的响应模式较小。训练表面和跑步技术显示相对有限的敏感性。GPR可有效建模自报疼痛并进行不确定性量化，且可扩展用于基于症状的风险评估，但并非用于临床诊断。

一、研究背景与问题
膝关节相关问题在长跑中常见，重复下肢负荷使膝关节承受较高累积应力，并与膝部主诉负担及长期膝关节健康相关。常见问题包括髌股疼痛、髂胫束相关症状和髌腱病，可能导致症状持续、训练调整或暂时退出训练和比赛。膝症状患病率及相关缺训事件提示，需要针对耐力运动员的实用监测与预防方法。既往研究关注训练负荷特征（强度和每周量）、生物力学与技术因素（如足着地模式和鞋具相关因素）、抗阻训练是否存在、BMI和既往膝问题/损伤史等，但这些因素常以复杂、非线性方式交互，孤立风险因素难以转化为个体化未来症状负担估计。机器学习在运动科学中用于建模训练频率、运动员特征和健康结局之间的复杂关系；监督学习适用于从有标签输入-输出数据学习映射。GPR是非参数监督学习方法，适合小到中等数据集，能提供预测和原則性不确定性估计，可灵活捕捉非线性关系并量化预测不确定性，适合测量不完美、样本量受限的运动员监测。本研究主要目的是开发并评估基于GPR的框架，使用常规可获预测变量预测20–30岁职业长跑运动员个体化自报膝关节疼痛严重程度评分。研究假设为：（i）GPR在该队列中可实现低预测误差；（ii）敏感性和交互分析将突出与更高预测疼痛严重程度相关的非线性效应和预测变量组合。该模型旨在作为概率化、基于症状的决策支持工具，不应解释为临床诊断损伤的预测。

二、研究开展、结论与意义
研究人员招募50名职业男性长跑运动员，收集六个常规可测变量，以自报膝关节疼痛严重程度（0–10数字量表标准化至0–1）为结局，构建并评估GPR模型。结果显示，模型在留出测试集上MSE=0.020、均方根误差（root mean square error, RMSE）=0.144、平均绝对误差（mean absolute error, MAE）=0.116、决定系数R²=0.475；5折交叉验证平均MSE=0.028。敏感性分析显示，抗阻训练频率和BMI的GPR响应模式明显，周跑量和既往膝问题/损伤也有响应变化，训练表面和跑步技术敏感性相对有限。研究结论认为，GPR可有效建模自报疼痛并提供不确定性量化，可扩展用于基于症状的风险评估，但并非用于临床诊断。其意义在于为小样本精英运动员队列提供概率化、症状导向的监测与决策支持思路，并强调结果应谨慎解释，不能推及临床诊断或因果机制。

三、主要关键技术方法（≤250字）
采用便利抽样，从土耳其安卡拉职业田径俱乐部招募50名20–30岁男性职业长跑运动员（纳入要求包括国家田径联合会注册、≥5年系统耐力训练、每周训练≥6天且周跑量>100 km）。以结构化问卷和评估收集六个预测变量，结局为自报0–10膝关节疼痛严重程度并标准化至0–1。采用径向基函数（Radial Basis Function, RBF）核的高斯过程回归（GPR），按70%/30%划分训练集与独立测试集（固定随机种子），在训练集以5折交叉验证和基于均方误差（MSE）的GridSearchCV优化超参数，在留出测试集评估，并以5折交叉验证评估稳定性；通过单变量及成对变量在观察范围内变化、保留其余测试集观测值进行敏感性分析，并给出95%置信区间。

四、研究结果
3.1 GPR模型在训练和验证数据上的性能：通过比较实际与预测膝痛评分、交叉验证和独立留出测试集评估模型。5折交叉验证平均MSE为0.028；留出测试集MSE为0.020、RMSE为0.144、MAE为0.116、R²为0.475。膝痛严重程度评分均值为0.428±0.228（范围0.10–0.90）。简单均值预测基线MSE为0.047，提示GPR在本队列中相对该基线有更好预测表现。结果支持将模型用于基于症状的膝痛预测和监测，而非临床确诊损伤预测。
3.2 GPR模型对不同数据划分比例的敏感性：通过考察90%/10%、80%/20%、70%/30%、60%/40%训练/验证划分，发现不同划分下预测误差有变化；由于各划分包含不同验证观测，这些比较仅作为探索性敏感性分析，不能证明增加训练集规模必然提高预测准确性。模型稳定性另以5折交叉验证评估，70/30划分保留为主要留出测试评估。
3.3 单个参数的敏感性分析：通过将每个预测变量在其观察范围内变化并保留其余测试集观测值，得到探索性模型敏感性模式。预测对抵抗训练频率显示明显敏感性，多数观测落在95%置信区间内；周跑量也显示预测疼痛严重程度变化，但响应随病例变化，提示依赖其他模型输入；训练表面和跑步技术敏感性模式相对较小；既往膝问题/损伤与预测膝痛严重程度变化相关，但不能解释为因果效应；BMI在观察范围内显示明显非线性敏感性模式，提示BMI与预测膝痛严重程度相关，而非确定最佳BMI或因果作用。总体上，抗阻训练频率和BMI显示明显敏感性，周跑量和既往膝问题/损伤也贡献预测疼痛严重程度变异。
3.4 联合模型-响应面：成对参数的敏感性分析：通过构建抗阻训练频率与BMI、周跑量、既往膝问题/损伤的联合模型响应面，显示拟合GPR的预测模式。抗阻训练频率与BMI的联合模型中，较高BMI和较低抗阻训练频率组合与更高预测膝痛严重程度相关；抗阻训练频率与周跑量组合中，较高周跑量和较低抗阻训练频率在部分建模范围与更高预测膝痛严重程度相关；抗阻训练频率与既往膝问题/损伤的联合响应面也展示多维模式。这些图仅作为拟合模型的探索性可视化，不是正式交互统计检验或因果证据。

五、讨论部分总结
讨论指出，膝关节症状、过度使用主诉和常见膝损伤在跑者中常见，GPR可捕捉训练/人体测量变量与疼痛严重程度之间的有意义关联，并提供不确定性估计，这对小规模精英队列有价值。敏感性分析中抗阻训练频率和BMI模式明显，周跑量和既往膝问题/损伤也有响应变异。抗阻训练被讨论为对耐力跑者有益，并与表现决定因素和神经肌肉能力相关，也常被纳入降低损伤风险的框架；下肢力量特征与长跑者跑步相关损伤生物力学相关，提供抗阻训练频率与症状负担相关的可能路径，但相关证据多为损伤或表现导向，本研究关系应解释为与疼痛严重程度的关联而非因果机制。BMI方面，既往文献将BMI作为运动人群损伤相关风险指标，并探讨BMI在膝损伤跑者中的意义；超重及相关跑步动力学变化已有报道，包括与足姿因素的交互；其他研究将较高BMI与运动损伤发生及耐力赛事下肢损伤联系。虽主要聚焦损伤，但支持机械负荷合理性：在本队列中BMI可能通过累积关节负荷和跑步动力学改变与症状表达相关；敏感性图提示BMI–疼痛关系在观察范围内并非严格线性，强调灵活非线性建模价值。周跑量显示中等敏感性，与系统综述中跑步损伤与训练参数如负荷/量相关的证据一致；训练负荷监测框架提示生理和生物力学负荷通路对适应和过载反应贡献不同。由于建模的是疼痛严重程度而非确诊损伤，周跑量可能反映总训练负荷的一部分，其模型响应可能与体能、恢复和既往史耦合。训练表面和跑步技术单独敏感性较低，不应解释为无关，可能反映简化编码和队列内变异有限；替代分类编码作为敏感性分析未实质改变模型性能或总体结论，但简化表示可能削弱详细生物力学测量下更明显的效应。生物力学风险因素综述提示跑步相关结局受多个交互生物力学特征影响，可穿戴运动学方法也强调需要更细粒度生物力学表征以捕捉细微动作差异。该工作的关键贡献是使用GPR作为概率回归方法，同时产生均值预测和不确定性；高斯过程和概率建模基础支持GPR作为灵活非参数回归方法并提供原則性不确定性量化。这在样本量常有限、数据可能有噪声的精英运动环境中尤其有用。GPR还应用于工程代理建模、材料科学、医学影像优化和个体化预测/生物医学监测框架，支持其作为小到中等数据集且不确定性重要时通用工具的适用性。机器学习在运动损伤预测和预防中应用增加，系统综述强调应用增长和方法学考量；人工智能也被讨论用于运动创伤预测及运动相关膝损伤的AI支持成像和评估。许多运动相关机器学习研究聚焦损伤分类或检测，而非连续症状严重程度建模；相比之下，本研究建模连续疼痛结局并提供不确定性感知预测，可能更符合确诊诊断标签稀疏时的实际症状监测。应用上，基于症状的监测可能受益于跟踪可修改因素如抗阻训练频率和BMI，以及周跑量和既往史；不确定性输出重要，实践中高预测疼痛严重程度在不确定性大（提示数据支持稀疏）与不确定性小（更自信预测）时应不同解释。此类不确定性感知、风险导向建模与运动医学中AI支持损伤预防和康复决策的更广泛讨论一致，同时强调该框架是决策支持而非诊断系统。限制包括：结局为自报疼痛严重程度，主观且非临床诊断，预测应解释为基于症状的风险建模而非损伤诊断；队列小（N=50），仅20–30岁男性职业跑者，来自单一地理环境，发现为探索性，未经外部验证不应推广至女性跑者、休闲跑者、年长运动员或其他人群；敏感性分析为探索性，不是正式全局特征重要性分析，高阶关系可能未充分表示；简化特征编码（如技术和表面）可能削弱详细生物力学测量下更明显的效应，尽管替代分类编码未实质改变模型性能或总体结论；观察性建模不能排除反向因果（如疼痛影响训练行为），需要外部验证。未来工作应聚焦：（i）独立队列外部验证；（ii）训练周期疼痛轨迹纵向建模；（iii）纳入可能提高解释力并减少不确定性的额外预测变量，如session-RPE、恢复和睡眠指标、可穿戴衍生负荷测量、力量测试数据、鞋具特征和更详细表面暴露；将框架扩展到更广泛人群（包括非运动员）和其他症状目标（如腰痛）也有价值，尤其纳入生活方式相关输入如久坐时间、每日步数和抗阻训练参与模式；这些扩展有助于明确泛化性，并进一步确立概率症状建模作为运动与健康监测实用工具。

研究结论翻译：在50名职业男性长跑运动员队列中，所提出的高斯过程回归（GPR）模型基于六个常规可获预测变量预测连续自报膝关节疼痛严重程度评分（0–1），测试集MSE=0.020，交叉验证MSE=0.028。敏感性分析显示，抗阻训练频率和BMI具有明显响应模式，周跑量和既往膝问题/损伤也有额外变异，而训练表面和跑步技术显示相对较小的敏感性模式。这些发现为探索性，特定于来自一个地理环境的20–30岁男性职业跑者小队列，未经外部验证不应推广至女性跑者、休闲跑者、年长运动员或其他人群。除点预测外，模型提供不确定性估计，支持在小规模精英队列中谨慎解释并实现以症状为重点的监测。所提出框架旨在作为基于症状风险建模的决策支持工具，不应解释为临床诊断损伤的预测。未来工作应包括在独立队列中的外部验证，并扩展到具有更丰富负荷和生物力学测量的大型和纵向数据集。