《Sensors》：A Real-Time Mechanical Information Acquisition System and Finite Element Prediction Method for Limb Lengthening: A Pilot In Vivo Study
Hao Yang,
Tairan Peng,
Yuyang Han,
Ming Lu,
Yunzhi Chen and
Zheng Yang
编辑推荐：
在肢体延长术(DO)中，对机械环境的准确监测与预测，是保障再生骨质量、防止软组织并发症（如神经缺血、关节挛缩、设备机械故障）的关键。然而，现有临床实践依赖主观评估，缺乏预测能力。为解决此问题，本研究结合了定制的力学采集系统和高保真度有限元(FE)预测方法，设计了一种新型“双环”传感器接口，以解耦由不对称肌张力产生的轴向牵拉力与寄生弯矩，并建立了基于术前CT图像肌肉体积、采用Ogden超弹性本构律的患者特异性FE模型。该框架在单只绵羊体内模型中验证了高线性度（R2> 0.999）及预测能力，为未来闭环、患者特异性的肢体延长术控制奠定了基础，有望显著提高治疗安全性。
在骨科领域，有一项革命性的技术改变了肢体不等长、先天畸形、骨缺损的治疗格局，那就是Ilizarov推广的牵张成骨术(DO)。这项技术的核心是“张力-应力法则”，即通过持续的、温和的牵拉，刺激活体组织内的新血管生成和成骨。然而，这项听上去很美好的技术，背后却潜藏着巨大的生物力学风险。当医生小心翼翼地拉开骨骼两端，期望中间的“间隙”能长出新的骨头时，周围的“软邻居”们——包括肌肉、筋膜、神经、血管和皮肤，却不堪重负。它们不是钢筋水泥，而是具有复杂粘弹性的生物组织，会产生一种被称为牵张阻力(DRF)的对抗力量。这股力如果过大，就成了肢体延长手术的“头号反派”，可能导致关节半脱位、肌肉挛缩、永久性神经缺血损伤，甚至会把内固定的钢板、外架的钢针“拉断”。
然而，当前的临床实践在监测这股“暗流汹涌”的力时，却显得相当原始。医生通常依赖“手感”或患者的疼痛反馈来判断，这无异于“盲人摸象”，主观、滞后，而且无法预测。即便在科研领域，虽有仪器化的外固定架问世，但也多是“事后诸葛亮”的数据记录器，无法根据患者独特的解剖结构预测未来的风险。而且，这些系统常常被一个难题困扰：当一侧肌肉紧张产生弯矩时，测量到的轴向力会严重失真。更别提，很多验证研究是在已无生命的尸体上进行的，与真实活体组织内的生理张力、液体压力和血管充盈度相去甚远。于是，一场精准监测与智能预测的战斗打响了。
为了填平这些技术鸿沟，一项名为“A Real-Time Mechanical Information Acquisition System and Finite Element Prediction Method for Limb Lengthening: A Pilot In Vivo Study”的研究在《Sensors》期刊发表。作者Hao Yang等人提出了一个“硬件+软件”的坚实框架，目标直指三大难题：设计出能抵抗弯矩干扰、精准测量轴向载荷的传感器集成外固定架；建立基于超弹性本构律、能从术前图像预测DRF的患者特异性有限元(FE)模型；以及，最关键的一步——在一只活的绵羊体内完成可行性验证，为未来的临床转化提供概念验证。
研究团队首先打造了一把“智能尺子”。他们以经典的Ilizarov环形外固定架为蓝本，创造性地在远端设计了一个“双环传感器接口”。这个接口的巧妙之处在于，用三个呈等边三角形分布的压缩力传感器，构建了一个“力学上静定的平面”。这样一来，无论软组织抵抗力的中心偏离几何中心多远，产生了多大的弯矩，其总轴向力都可以通过三个传感器读数的简单加和来精确计算，从而实现了弯矩的“解耦”。这把尺子不仅能承受高达500牛顿的峰值力量，其线性度也达到了惊人的R2> 0.999，还能捕捉到活体组织特有的粘弹性松弛现象。
然而，只测量当前状态还不够，他们还想“未卜先知”。为此，研究团队构建了一个基于连续介质力学和超弹性理论的有限元模型。考虑到骨骼肌在大应变下的非线性、应变硬化（J形应力-应变曲线）特性，他们摒弃了简单的胡克定律，选择了拟合生物组织更优越的Ogden模型。这个模型基于患者术前CT图像重建的肌肉体积，将复杂的组织变形用变形梯度张量(F)和左柯西-格林变形张量(B)等物理量描述，其应变能密度函数则与主拉伸相关。虽然高阶的Ogden模型能拟合更复杂的多轴载荷数据，但考虑到计算效率和避免过拟合，本研究采用了一阶模型，在轴向牵拉这种主要加载模式下，它足以捕捉骨骼肌的特征硬化行为。通过校准模型中的材料参数，他们得以预测不同牵拉程度下的组织反作用力。
最后，研究者将这套“测”与“算”相结合的系统，在一只活体绵羊身上进行了“实战演练”。为了专门观察软组织（肌肉、筋膜等）的阻力，避免骨痂形成的干扰，他们在术后立即进行了牵张，总长度达到了4厘米。实验的每一步，都伴随着传感器传来的实时力学数据，以及有限元模型生成的预测曲线。
2.2. Double-Ring Sensor Interface Topology 2.2. 双环传感器接口拓扑结构
研究证明，核心创新“双环传感器接口”成功地将轴向牵拉力与寄生弯矩解耦。无论负载分布如何，总轴向力始终等于三个传感器力值之和。该设计确保了测量值反映的是真实的整体组织张力，相比单传感器设计是显著改进。
3. Theoretical Framework and Prediction Method 3. 理论框架与预测方法
该研究采用了基于超弹性的有限元模型。通过定义参考位置X、当前位置x，计算变形梯度F (F=?x/?X)，并利用左柯西-格林变形张量B (B=F·FT)及其第一不变量I1(I1=tr(B)=λ12+λ22+λ32)进行本构建模。软组织被假定为不可压缩(J=det(F)≈1)。最终，一阶Ogden模型的应变能密度函数Ψ被用于描述组织的非线性行为，其表达式为Ψ = (μ/α)(λ1α+λ2α+λ3α-3) + (1/D1)(J-1)2。
实验验证结果
实验数据证实了该力学采集系统具有高线性度。更重要的是，有限元模型成功预测了峰值牵拉力，并且在较大的牵拉幅度下，预测结果与实验数据的一致性有所改善。这表明，基于术前图像和超弹性理论的模型，能够有效预见软组织在延长过程中产生的阻力演变。
结论与讨论
这项研究的结论清晰地指向了未来。它成功验证了一个将实时力学传感与预测性建模相结合的硬件-软件框架的可行性。这个框架的核心价值在于两点：精准感知与主动预测。它设计的力学采集系统，通过巧妙的“双环”拓扑结构，解决了临床环境下弯矩干扰的测量难题，提供了可靠的组织张力实时数据。而它建立的基于患者特异性解剖信息的有限元模型，则迈出了从“被动记录”走向“主动预警”的关键一步，为在术前规划阶段评估不同牵拉方案的风险提供了可能。
这项研究的成果，为未来的“个性化”、“闭环控制”的肢体延长术奠定了基础。试想，在未来的手术中，医生可以根据患者的CT图像，在术前用模型模拟出最佳的牵拉速度和幅度方案，避开软组织损伤的“雷区”。在术后恢复中，内置于外固定架的传感器可以像“哨兵”一样持续监测DRF，一旦预测模型显示即将达到风险阈值，系统便能自动调整甚至暂停牵拉，等待组织适应性生长，从而在最大程度上避免神经损伤、关节挛缩等严重并发症，并保护内固定器械的完整性。这不仅意味着治疗安全性的巨大提升，也代表着骨科手术向着更精准、更智能、更以患者为中心的方向迈出了一大步。
