- Introdução
Apesar do volume notavelmente aumentado de pesquisas sobre a etiologia das lesões relacionadas à corrida, observa-se que a incidência dessas lesões continuou inalterada no decorrer dos últimos 35 anos, com uma taxa estável de 50%,1,2 que gera um enorme custo financeiro ao sistema de saúde.3 Dessa forma, esforços têm sido empreendidos para aumentar o conhecimento acerca dos mecanismos responsáveis por essas lesões.
A análise clínica da marcha (ACM) tem sido amplamente usada para auxiliar os clínicos no processo de tomada de decisão sobre lesões relacionadas à corrida, tendo demonstrado eficácia, sobretudo, para fins de diagnóstico.4
Na pesquisa sobre biomecânica de corrida, particularmente, o uso de sistemas de análise de marcha tridimensionais (3-Dtridimensional) aumentou ao longo dos anos,5 fato que tem motivado muita discussão sobre os potenciais fatores de risco associados às lesões de corrida. Como exemplo, um estudo6 reacendeu uma discussão de 10 anos atrás sobre as lesões e a biomecânica de correr descalço.7 Atualmente, é possível encontrar com facilidade a discussão sobre os fatores de risco das lesões de corrida em ambientes tanto formais (conferências, manuscritos revisados por pares, seminários, etc.) como informais (redes sociais, mídia popular, fóruns na internet, etc.). Isso destaca a falta de consenso sobre os fatores biomecânicos relacionados a essas lesões.
Os pesquisadores e clínicos geralmente concordam que os padrões de movimentos de corrida atípicos estão associados às lesões de corrida. Por outro lado, ainda pouco se sabe sobre quais aspectos específicos da corrida podem ser, de fato, considerados fatores de risco.8,9
As discrepâncias entre as pesquisas científicas podem ser explicadas tanto pelo delineamento experimental adotado (por exemplo, transversal, retrospectivo, etc.) quanto pelo tamanho da amostra tipicamente apresentada nos estudos de biomecânica. Ambos prejudicam a habilidade desses estudos de inferir sobre a população usando os métodos estatísticos tradicionais, como o teste t e a análise de variância (ANOVAanálise de variância, do inglês analysis of variance). Esses aspectos podem ser justificáveis, uma vez que os estudos biomecânicos são demorados e exigem medições complexas, como as de:10
- cinemática 3-Dtridimensional;
- cinética;
- eletromiografia (EMGeletromiografia) de superfície.
Além disso, também podem ter contribuído para os achados inconsistentes obtidos pelos estudos:11-13
- variabilidade do movimento (intra e intersujeito);
- falta de padronização;
- erros de medição.
A natureza complexa dos dados de análise 3-Dtridimensional de corrida (por exemplo, alta dimensionalidade, correlação e dependência temporal) tem desafiado os métodos atualmente usados para analisar os dados e interpretar e traduzir os resultados em benefício dos pacientes e dos clínicos.5,14,15
Existe uma necessidade já identificada de métodos mais robustos para análise dos dados de biomecânica de corrida. Para enfrentar esse desafio, o uso de métodos de inteligência artificial aumentou na última década, em uma tentativa de superar algumas dessas dificuldades na análise dos dados de biomecânica de marcha.16 De fato, a aplicação desses métodos na biomecânica de corrida, dentro de um contexto clínico, é bastante recente.17
Em contrapartida aos métodos estatísticos tradicionais, que usam a abordagem dirigida por hipótese, os métodos de aprendizagem estatística são embasados em uma abordagem dirigida por dados em que não é feita nenhuma consideração referente aos dados de treinamento a priori.
Ao se considerar a natureza dos dados biomecânicos e o avanço tecnológico, a abordagem de aprendizagem estatística parece ser mais apropriada para detecção de padrões relacionados às lesões de corrida. Entretanto, pesquisas adicionais são necessárias para fornecer suporte conclusivo a essa hipótese.
Neste artigo, será apresentada uma abordagem inovadora de análise dos dados para tratar de alguns dos problemas mencionados. Além disso, serão discutidos os estudos preliminares que têm indicado o uso dessa abordagem na detecção de padrões de movimento de corrida associados com populações específicas (por exemplo, considerando idade, sexo e lesão). Trata-se de um texto introdutório, elaborado, sobretudo, para clínicos com pouco ou nenhum treinamento em técnicas de análise de dados de alta dimensão.
- Objetivos
Ao final da leitura deste artigo, o leitor será capaz de
- analisar as limitações dos métodos estatísticos tradicionais, usados para lidar com os dados de biomecânica de corrida;
- reconhecer a importância de análises vetoriais de alta dimensão em estudos de biomecânica de corrida;
- listar os principais conceitos dos métodos de aprendizado de máquina (AMaprendizado de máquina) supervisionado, usados na detecção de padrões biomecânicos de corrida associados a lesões;
- elaborar um algoritmo da máquina de vetores de suporte (SVMmáquina de vetores de suporte, do inglês support vector machine) para casos linearmente separáveis, ligados a padrões de lesão de corrida.
- Esquema conceitual
