Development of Intelligent Assessment and Prediction Model for Children and Adolescents' Posture HealthA Case Study Focusing on the Knee Valgus and Varus in Primary School-aged Children and Adolescents
-
摘要:目的
应用多种机器学习算法构建小学龄儿童青少年膝内外翻风险模型，通过比较进一步筛选出最优模型，并对其进行科学解释，助力儿童青少年体态健康评估系统的探索和开发。
方法选取浙江省主要城市的514名小学生为研究对象，收集其社会人口学、人体测量学、体成分、身体姿态及动静态足底压力分布等数据，采用简单随机抽样方法，以7∶3比例将研究对象拆分为训练集（360例）和验证集（154例），基于K最邻近（KNN）、轻量梯度提升（LGBM）、极端梯度提升（XGBoost）、随机森林（RF）、多因素逻辑回归（LM）、支持向量机（SVM）6种机器学习算法分别构建膝关节内外翻风险预测模型。采用受试者工作特征曲线（ROC）对模型的预测性能进行评估，并使用Shapley加性解释（SHAP）算法评估不同维度数据对模型的影响。
结果研究对象中膝关节内外翻例分别为190例和80例。针对膝关节外翻，XGboost模型ROC曲线下面积（AUC）最高，为0.738，整体预测性能最佳；针对膝关节内翻，RF模型的ROC曲线AUC最高，为0.824，整体预测性能最佳。通过SHAP分析得出，影响膝关节外翻XGBoost模型输出结果的主要特征指标为年龄、腿长差和耳肩距离，影响膝关节内翻RF预测模型输出结果的主要特征指标为膝关节伸展角、腿长差、耳肩距离、动态足弓指数、足弓变化情况和年龄。
结论模型展现出一定精度的预测性能，证明相关结果可以指导儿童青少年体态健康管理的早期干预工具构建。
Abstract:ObjectivesThis study aims to apply a variety of machine learning algorithms to build a risk prediction model for knee valgus and varus in school-aged children and adolescents. By comparing and selecting the optimal model, it aims to provide a scientific explanation to contribute to the exploration and development of intelligent models for assessing and predicting children and adolescents' posture health.
Methods514 primary school students from major cities in Zhejiang Province were selected for the study. Comprehensive data, including demographics, anthropometrics, body composition, posture, and both static and dynamic plantar pressure distribution, were collected. The sample was divided into a training set (n = 360) and a validation set (n = 154) using simple random sampling in a 7∶3 ratio. 6 machine learning algorithms were employed to construct predictive models for knee valgus and varus: K-Nearest Neighbors (KNN), Light Gradient Boosting Machine (LGBM), Extreme Gradient Boosting (XGBoost), Random Forest (RF), Multiple Logistic Regression (LM), and Support Vector Machine (SVM). The predictive performance of each model was evaluated using the Receiver Operating Characteristic (ROC) curve, and the Shapley Additive Explanations (SHAP) algorithm was utilized to assess the influence of various data dimensions on the model outputs.
ResultsThe study identified 190 cases of knee valgus and 80 cases of knee varus among the subjects. The XGBoost model demonstrated the highest area under the ROC curve (AUC) at 0.738, indicating the superior predictive performance for knee valgus. Conversely, the RF model achieved the highest AUC at 0.824 for knee varus, marking it as the best predictive model. The SHAP analysis revealed that the key features influencing the XGBoost model's predictions for knee valgus were age, leg length difference, and ear-shoulder distance, while for the RF model's predictions of knee varus, the most significant factors were knee extension angle, leg length difference, ear-shoulder distance, dynamic plantar arch index, arch status deformation, and age.
ConclusionThe model demonstrated certain superior predictive performances, validating that the findings can guide the construction of early intervention tools for managing children and adolescents' postural health.
-
《“健康中国2030”规划纲要》（以下简称“健康中国2030”）是我国为实现全民健康水平显著提升而制定的国家战略[1]。该纲要以提升我国人民的整体健康水平为核心目标，强调了疾病预防、健康生活方式推广、医疗卫生服务提升以及健康保障体系的全面建设。在“健康中国2030”视域下，儿童青少年的健康问题尤为重要，其体质和健康状况直接影响到未来国家人口资源的质量[2]。在这一背景下，保障儿童青少年的体态健康对提升其整体健康水平具有重要意义[3]。儿童青少年的体态健康是影响其成长发育的关键因素，体态不良不仅影响儿童青少年的生长发育、素质发展，还可能对其运动功能和心理健康产生长期的不良影响[4−5]。因此，建立智能化体态健康评估系统进行早期预测和干预，有助于提高儿童青少年的健康水平，推动“健康中国2030”目标的实现。
在儿童青少年诸多不良体态中，膝关节内翻与外翻是最常见的问题之一，在小学龄儿童青少年中的发生率高达61.6%[6]。膝关节外翻（俗称“X型腿”，以下简称“膝外翻”）以膝关节轴过度横向位移为特征[7]，是儿童常见的下肢姿势不良之一，其发生率位居儿童下肢姿势不良第2位[8]。临床上，膝外翻常伴随儿童步行功能异常，是造成儿童意外伤害最重要的原因之一[8]。膝关节内翻（俗称“O型腿”，以下简称“膝内翻”）常伴随膝关节的疼痛和下肢疲劳，严重时可能影响正常行走和运动[9]。婴儿时期膝关节内翻明显（胫骨股骨冠状面向内成角约 15°），12～18个月胫骨股骨冠状面角度逐渐减小，理想状态下，7岁左右会接近成人水平[10]。
尽管目前临床上已经建立了明确的诊断标准以及多种矫正和干预措施，如物理治疗、矫形器和手术干预等，但在预测和预防方面仍存在不足[11]。大多数研究[12]聚焦于如何矫正已出现的膝内外翻，而对其发生的早期预警和风险评估关注较少。近年来，虽然一些研究[13]开始关注儿童膝关节姿势不良的预测，但在预测准确性和适用性方面仍存在较大的局限性。
早期预测膝内外翻对儿童青少年健康发展具有重要意义。近年来，随着医疗大数据的普及，机器学习（machine learning，ML）已被广泛应用于大数据驱动的风险预测，并为儿童青少年不良身体姿势的预测提供了更精准的方法。例如，基于机器学习的儿童脊柱侧弯预测算法，通过分析大量的生物力学数据和影像信息，提升了早期诊断的准确性[14]。此外，机器学习技术还被应用于儿童步态分析，通过识别和预测异常步态，为有针对性的矫正方案的制定提供参考[15−16]。同时，为了解决机器学习模型中的“黑盒”问题，Shapley加性解释（shapley additive explanation，SHAP）算法被引入。该算法能够量化各临床特征对模型输出结果的影响，从而提供更为透明的模型解释[17−18]。
本文以小学龄儿童青少年膝关节内外翻为例，应用多种机器学习算法构建膝内外翻风险（膝关节发生内外翻的概率值）预测模型，通过比较进一步筛选出最优模型，并对其进行科学解释，从而为智能化儿童青少年体态健康评估预测模型的探索和开发提供科学的方法参考和依据。
1. 资料与方法
1.1 数据来源
选取浙江省宁波市、台州市、温州市和杭州市部分公办小学1～6年级的520名学生为研究对象。数据采集时间为2024年3月1日—6月1日，纳入标准：①年龄在6～12岁的浙江籍儿童青少年；②监护人同意参与并签署知情同意书，允许其数据供统计分析时使用；③无任何临床运动禁忌，包括且不限于遗传性疾病和先天性残疾；④具备基础的指令理解能力，意识清醒，能够在测试人员以及家长的指导下完成测试。排除标准：①存在身体功能障碍或行动不便，如上下肢关节活动受限、发热、癌症、先天性心脏问题、脑性瘫痪、器官移植等常见重大慢性非传染性疾病、重大残疾或肢体残缺；②患有先天器质性听力或语言障碍，无法配合完成测试；③存在先天神经发育障碍、精神分裂症谱系及其他精神病性障碍等会直接导致无法配合完成测试的精神障碍，判别标准为美国精神医学学会出版的《精神障碍诊断与统计手册（第五版）》（DSM-5）[19]。经筛选，最终纳入514名学生作为研究数据集。本研究经宁波大学体育学院伦理委员会审查通过（NBU202400035）。
1.2 资料收集
研究所需的资料收集、数据采集及其相关定义如表1所示。其中：身高测量范围为60～220 cm，精度为0.1 cm；体重测量范围为10～200 kg，精度为0.1 kg。在人体姿态识别中，大腿冠状面中线为髂前上棘识别点（冠状面骨盆最宽处水平线左右1/4处）与膝关节中心识别点（膝关节最窄处水平线中点）连线，大腿矢状面中线为髋臼识别点（冠状面骨盆最宽处水平线中点）与膝关节伸展轴识别点（膝关节前侧最凸点与后侧最凹点连线中点）连线，小腿冠状面中线为膝关节中心识别点与踝关节中心识别点 （踝关节冠状面内外最凸点连线中点）连线，小腿矢状面中线为膝关节伸展轴识别点与踝关节外髁识别点（跟兜围矢状面投影线中点）连线（图1）。足弓指数使用足印分析法计算[20]，该方法利用足轴（足跟中点与第3跖趾关节连线）及其1/3处的2条垂直线，将除足趾外的足底分为3个部分——A区、B区和C区（图2），而后根据公式（1）计算足弓指数（arch index，IA）。
表 1 研究资料收集及数据采集Table 1. Data and information collection数据 定义 获取方式 备注 姓名 — 问卷调查 自设问卷 性别 — 问卷调查 居住地 — 问卷调查 年龄/岁 — 问卷调查 既往病史 — 问卷调查 运动习惯 — 问卷调查 体力活动问卷[22−23] 身高/cm — 设备采集 身高体重测量仪 体重/kg — 设备采集 BMI/（kg·m−2） BMI = 体重/身高2（kg/m2） 计算 基于身高体重数据 体型（超重/肥胖/标准/偏瘦/极瘦） BMI高于同性别年龄平均值1～2个标准差为超重，
大于2个标准差为肥胖，±1个标准差内为标准值，
低于1～2个标准差为偏瘦，低于2个标准差以上为极瘦算法判定 基于世界卫生组织（WHO）标准[24] 足轴角/° 支撑期50%时足轴与人前进方向夹角 设备采集 FootScan®三维足型扫描及步态
分析系统（RSscan公司，比利时）静态足弓指数 解剖位静态站立时的足弓指数 设备采集 动态足弓指数 支撑期50%时的足弓指数 设备采集 足弓状态变化 动、静态足弓指数判定结果不同 算法判定 动静态足弓指数差 动态足弓指数－静态足弓指数 计算 基于足型扫描数据 鞋码（EUR） EUR = 裸足足长（cm）×210 计算 耳肩距离/cm 外耳道与肩峰水平距离 设备采集 Kinect深度相机的人体姿态识别
及测量设备（微软公司，美国）左右肩峰水平角/° 左右肩峰点与水平面夹角 设备采集 胫骨股骨冠状面角/° 大小腿冠状面中线夹角 设备采集 膝关节伸展角/° 大小腿矢状面中线夹角 设备采集 踝关节高度/cm 踝关节冠状面内外最凸点连线中点离地高度 设备采集 腿长差/mm 左右大小腿中线加踝关节高度差的绝对值 设备采集 膝关节外翻 膝关节中点间距－踝关节中点间距 < −2 cm 算法判定 基于人体姿态识别及测量数据 膝关节内翻 膝关节中点间距－踝关节中点间距 > 3 cm 算法判定 注：根据《诸福棠实用儿科学》[25] 的诊断标准，成熟步态模式下，常态踝关节间距达到 2～5 cm 为轻度（Ⅰ度，含5 cm）膝外翻，5～10 cm 为中度（Ⅱ度，含10 cm）膝外翻，大于10 cm 为重度（Ⅲ度）膝外翻；成熟步态模式下，常态膝关节间距达到3～5 cm 为轻度（Ⅰ度）膝内翻，5～10 cm 为中度（Ⅱ度）膝内翻，大于10 cm 为重度（Ⅲ度）膝内翻。 ![]()
图 2 足底压力分区及相关数据采集示意Figure 2. Diagram of plantar pressure distribution and relative data collection$$ I_{\mathrm{A}}=\frac{B}{A+B+C}\times100\text{%} $$ (1) 正常IA应为21%～28%，若IA<21%则可判定为高弓足，若IA>28%则可判定为扁平足[21]。
测量时，参与者应脱帽、脱运动鞋，穿着轻便的衣服，所有测量值均精确到小数点后1位，以确保测量结果的准确性。根据膝外翻判定结果，将研究对象分为无膝外翻组（n=434）和膝外翻组（n=80）；根据膝内翻判定结果，将研究对象分为无膝内翻组（n=324）和膝内翻组（n=190）。
1.3 数据预处理与模型构建
采用简单随机抽样法对数据集进行拆分，其中70%进入训练集，30%作为测试集。在训练集中应用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）算法筛选有意义的特征变量纳入模型，而后在训练集和验证集中利用特征变量分别构建K最邻近（K-nearest neighbor，KNN）、轻量梯度提升（light gradient boosting machine，LGBM）、极端梯度提升（extreme gradient boosting，XGBoost）、随机森林（random forest，RF）、多因素逻辑回归（logistic multivariate regression，LM）、支持向量机（support vector machine，SVM） 6 种预测小学学龄儿童青少年膝内翻和膝外翻的机器学习模型，采用十折交叉验证法确定6 种模型的最优参数，并在测试集中进行独立验证，绘制受试者工作特征（receiver operating characteristic，ROC）评估各模型区分度，使用SHAP 算法对表现最优的模型进行解释分析，从而提高模型的可解释性与透明度。研究技术流程如图3所示。
![]()
图 3 研究技术流程注：KNN表示K最邻近，LGBM表示轻量梯度提升，XGBoost表示极端梯度提升，RF表示随机森林，LM表示多因素逻辑回归，SVM表示支持向量机。Figure 3. Flow diagram of studyKNN是一种非参数监督学习算法，通过计算样本点与训练集中所有点的距离，选择距离最小的K个邻居进行分类。本文采用欧几里得距离作为相似度度量，使用十折交叉验证法确定最优K值，并通过对不同K值的测试集表现进行比较，选择表现最佳的K值。LGBM是一种基于决策树的提升算法，具有快速计算和低内存消耗的特点，适合处理大规模数据集，通过Grid Search方法对LGBM模型的学习率、树的深度等超参数进行调优，最终选择在验证集上表现最优的参数组合。XGBoost同样是基于决策树的提升算法，其优势在于对计算资源的高效利用和对过拟合的抑制，采用正则化方法防止模型在训练数据上的过拟合，并通过调节学习率、最小分裂损失等超参数，优化模型性能。RF是一种集成学习方法，通过构建多棵决策树并进行投票来提高模型的稳定性和精度，使用随机子集特征选择策略，在每次决策树分裂时选择部分特征，以增强模型的泛化能力，并通过对树的数量、最大深度等参数进行调优，确保RF模型的最优性能。LM是一种常用于分类问题的线性模型，能够通过最大似然估计拟合回归系数，本文采用的LM算法利用L2正则化技术，防止模型过拟合。模型的参数通过梯度下降法优化，并在验证集中进行评估。SVM能够通过构建超平面将不同类别的样本进行分类，适用于高维数据的分类问题，并基于径向基函数（radial basis fuction，RBF）核对SVM模型进行训练，通过调节核函数参数和惩罚系数，优化模型的分类效果。
模型能够准确评估膝关节内外翻的发生概率，为早期干预提供科学依据。模型构建的具体步骤：①数据预处理。对数据进行标准化处理，其中：连续型数据根据临床诊断标准进行分类，例如，体型变量基于世界卫生组织（WHO）的标准，划分为极瘦、偏瘦、正常、超重和肥胖5个等级[24]；其他连续变量通过最优尺度划分法进行分类转换，以确保数据能够适应机器学习模型的处理。②特征选择。首先使用单因素Logistic回归分析，初步筛选出与膝关节内外翻风险显著相关的特征变量。这一步确保模型的输入变量能够反映关键的生物力学或临床特征。③LASSO回归消除共线性。使用LASSO算法进一步筛选出重要的特征变量，消除特征之间的共线性，防止模型出现过拟合问题。这一步的目标是确保最终模型具有较强的泛化能力和稳健性。④模型构建与选择。在LASSO算法筛选出的特征变量基础上，分别使用KNN、LGBM、XGBoost、RF、LM和SVM等6种机器学习算法构建预测模型。通过比较每个模型在验证集上的表现选择最优风险预测模型。⑤模型预测。在实际预测中，输入的研究对象数据将经过与数据预处理相同的步骤进行标准化和分类处理。将处理后的数据输入最终选择的机器学习模型，模型输出的结果即为儿童青少年膝关节发生内翻或外翻的概率。
采用SPSS 27.0软件进行数据分析。符合正态分布的计量资料以M（95% CI）表示，组间比较采用独立样本t检验；不符合正态分布的计量资料以M（P25，P75）表示，组间比较采用Mann-Whitney U 检验。计数资料以百分比（%）表示，组间比较采用χ2检验。统计学显著性标准为α=0.05。使用R软件（4.3.1版本）进行模型构建，并计算ROC曲线下面积（area under curve，AUC）模型评价指标，AUC的取值范围为0.5～1.0，值越接近1.0表明模型的区分度越高，其预测效果越好。通常，AUC值大于0.5且小于等于0.7表明模型的预测效果较差，大于0.7且小于等于0.9表明模型的预测效果较好，而大于0.9表示模型的预测性能优异。本文选择AUC值最高的模型作为最优模型。
2. 研究结果
2.1 基线资料
在纳入研究数据集的514名儿童青少年中，80名具有膝外翻（15.56%），190名具有膝内翻（36.96%），将所有儿童青少年按7∶3的比例随机划分为训练集（n=360）和验证集（n=154）。膝外翻与膝内翻儿童青少年的基线资料如表2所示，膝外翻者的身高、体重、鞋码以及耳肩距离显著高于无膝外翻者（P<0.001），膝内翻者仅胫骨股骨冠状面角显著高于无膝内翻者（P<0.001）。
表 2 膝外翻与膝内翻儿童青少年基线资料Table 2. Baseline characteristics of knee valgus and knee varus类别 膝外翻 膝内翻 总体（n=514） 无膝外翻（n=434） 膝外翻（n=80） P 总体（n=514） 无膝内翻（n=324） 膝内翻（n=190） P 性别 0.132 0.816 男性 442（85.99%） 378（87.10%） 64（80.00%） 442（85.99%） 280（86.42%） 162（85.26%） 女性 72（14.01%） 56（12.90%） 16（20.00%） 72（14.01%） 44（13.58%） 28（14.74%） 身高/cm 137.00
（128.00，149.50）135.50
（127.00，148.50）144.25
（134.88，152.00）<0.001 137.00
（128.00，149.50）139.00
（128.50，151.00）135.00
（127.50，145.50）0.006 体重/kg 30.70
（24.60，41.50）29.80
（24.40，40.20）36.85
（29.32，45.43）<0.001 30.70
（24.60，41.50）31.65
（25.40，46.10）29.10
（24.40，37.28）0.007 BMI/（kg·m−2） 16.59
（15.09，18.90）16.36
（14.88，18.83）17.42
（16.07，19.54）0.001 16.59
（15.09，18.90）16.77
（15.26，19.15）16.05
（14.89，18.21）0.023 年龄/岁 9.00
（7.00，11.00）9.00
（7.00，11.00）10.00
（9.00，11.00）0.001 9.00
（7.00，11.00）9.00
（7.00，11.00）9.00
（7.00，10.00）0.027 鞋码（EUR） 35.00
（32.00，37.00）35.00
（32.00，37.00）36.00
（34.75，38.00）<0.001 35.00
（32.00，37.00）35.00
（32.00，38.00）34.50
（32.00，37.00）0.115 耳肩距离/cm 1.60
（0.40，3.60）1.50
（0.40，3.20）3.05
（1.05，4.65）<0.001 1.60
（0.40，3.60）1.74
（0.50，3.90）1.38
（0.30，3.10）0.011 左右肩峰水平角/（°） 0.00
（0.00，0.00）0.00
（0.00，0.00）0.00
（0.00，0.00）0.616 0.00
（0.00，0.00）0.00
（0.00，0.00）0.00
（0.00，0.00）0.094 胫骨股骨冠状面角/（°） 6.30
（0.00，8.10）6.30
（0.00，8.10）6.30
（0.00，8.10）0.581 6.30
（0.00，8.10）2.75
（0.00，8.10）7.10
（1.00，8.10）<0.001 膝关节伸展角/（°） 5.30
（1.90，7.80）5.40
（1.40，7.70）4.80
（3.48，7.80）0.315 5.30
（1.90，7.80）5.35
（2.29，7.70）4.70
（0.65，8.25）0.569 足轴角/（°） 5.71
（2.94，8.99）5.71
（2.93，9.14）5.20
（3.65，8.53）0.902 5.71
（2.94，8.99）5.42
（2.73，8.64）5.91
（3.44，9.56）0.213 静态足弓指数 23.23
（16.55，30.25）23.54
（16.59，31.07）21.66
（16.46，28.44）0.258 23.23
（16.55，30.25）22.34
（16.26，28.90）24.87
（17.80，31.86）0.031 动态足弓指数 29.16
（26.42，32.14）29.30
（26.71，32.30）28.35
（25.67，30.38）0.034 29.16
（26.42，32.14）28.80
（26.09，32.02）29.70
（26.96，32.30）0.112 动静态足弓
指数差6.00
（0.59，10.91）6.00
（0.41，11.28）6.00
（3.00，9.00）0.835 6.00
（0.59，10.91）6.00
（1.11，11.23）5.15
（−0.66，9.62）0.097 注：计量数据表达为“中位数（25%四分位数，75%四分位数）”，计数数据表达为“例（占总体百分比）”。 2.2 模型性能
图4展示了针对膝外翻和膝内翻LASSO算法筛选纳入模型特征变量的特征指标选择与调优、十折交叉验证结果，以及筛选后保留的特征变量及其相应的权重系数。结果显示，LASSO回归算法筛选的膝外翻特征变量为耳肩距离、动态足弓指数、年龄以及腿长差，膝内翻特征变量为足弓状态变化、腿长差、年龄、动态足弓指数、膝关节伸展角和耳肩距离。
![]()
图 4 单因素LASSO回归结果注：图（a）、（b）、（c）、（d）中左右虚线分别对应于非零最佳惩罚系数λ-min和λ-1se，本文选择了λ-1se作为验证结果。Figure 4. Results of univariate LASSO regression在验证集中对6 种模型的预测能力进行评估，不同机器学习预测模型的ROC曲线比较结果如图5所示。针对膝外翻[图5（a）]，以基于传统多因素逻辑回归建立的LM模型（SAUC=0.712）为参考时，XGBoost 模型（SAUC=0.738） 的区分度更高，预测能力更好；针对膝内翻[图5（b）]，以基于传统多因素逻辑回归建立的LM模型（SAUC=0.655）为参考时，RF 模型（SAUC=0.824） 的区分度更高，预测能力更好。
![]()
图 5 不同机器学习预测模型的ROC曲线比较结果Figure 5. Comparison of ROC curves for different machine learning prediction models6种模型的预测性能指标如表3所示。其中，准确率表示模型正确预测的比例，反映模型的总体预测能力。灵敏度（或称“召回率”）代表模型对实际膝内翻或膝外翻的识别能力，灵敏度越高，模型越不容易漏检。特异性衡量模型对非膝内翻或膝外翻的正确识别能力，特异性高表明模型不易误报。精确率反映模型预测出的膝内翻或膝外翻结果中实际正确的比例。F1值是精确率和灵敏度的调和平均数，用于综合评价模型的表现，特别是在精确率与灵敏度之间权衡时较为适用。
表 3 膝外翻与膝内翻6种机器学习预测模型预测性能Table 3. Predivtion performance of 6 machine learning models for knee valgus and knee varus模型 膝外翻 膝内翻 准确率 灵敏度 特异性 精确率 F1 准确率 灵敏度 特异性 精确率 F1 KNN 0.62 0.58 0.58 0.55 0.56 0.71 0.67 0.67 0.63 0.65 LGBM 0.63 0.59 0.59 0.56 0.57 0.56 0.53 0.53 0.50 0.51 LM 0.64 0.61 0.61 0.57 0.59 0.59 0.56 0.56 0.52 0.54 RF 0.65 0.62 0.62 0.58 0.60 0.74 0.70 0.70 0.66 0.68 SVM 0.56 0.53 0.53 0.50 0.51 0.56 0.53 0.53 0.50 0.52 XGBoost 0.66 0.63 0.63 0.59 0.61 0.55 0.52 0.52 0.49 0.51 结果（表3）表明，针对膝外翻，在LM模型（SAUC=0.712，准确率=0.64，灵敏度=0.61，特异性=0.61，精确率=0.57，F1=0.59）的基础上，XGBoost模型（SAUC=0.738，准确率=0.66，灵敏度=0.63，特异性=0.63，精确率=0.59，F1=0.61）的区分度更高，预测性能更优。针对膝内翻，RF模型（SAUC=0.824，准确率=0.74，灵敏度=0.70，特异性=0.70，精确率=0.66，F1=0.68）相较于LM模型（SAUC=0.655，准确率=0.59，灵敏度=0.56，特异性=0.56，精确率=0.52，F1=0.54）有更强的区分能力和更好的预测表现。
2.3 模型解释
使用SHAP对最优模型进行解释分析。SHAP是一种用于提高机器学习模型可解释性的方法，基于博弈论中的Shapley值，通过计算每个特征对模型预测结果的边际贡献，量化各特征对模型输出的影响。SHAP算法的优势在于能够提供全局和局部的解释，既可以展示所有特征对模型整体预测的平均影响，也可以针对单个样本，分析某一特征对该样本预测结果的具体影响。因此，SHAP算法能够帮助我们理解模型如何利用不同特征进行决策，提高模型透明度，并为制定个性化干预策略提供依据。
SHAP模型解释如图6所示。图6（a）为XGBoost 模型中按照特征变量的SHAP 绝对值的均值从大到小排列后形成的特征重要性条形图，展示各特征变量对模型预测结果的具体影响程度，纵坐标轴上的位置由模型特征变量按重要性排序确定，结果显示重要性：年龄>腿长差>耳肩距离。图6（b）展示了XGBoost 模型中特征变量SHAP 值分布情况，纵坐标轴上的位置由临床特征按重要性排序确定，横坐标轴上的位置由SHAP 值确定，可根据特征变量SHAP值所对应指标值的颜色区域，判断该特征对儿童青少年得膝外翻风险的影响。
![]()
图 6 膝外翻XGBoost预测模型特征变量分布及其重要性汇总Figure 6. Summary of feature variable distribution and importance within XGBoost for knee valgus同样采用SHAP 算法对膝内翻的RF模型进行解释分析（图7）。图7（a）为RF模型中按照特征变量的平均下降准确率从大到小排列后形成的特征重要性条形图，展示各特征变量对模型预测结果的具体影响程度，纵坐标轴上的位置由模型特征变量按重要性排序确定，结果显示重要性：耳肩距离>膝关节伸展角>年龄>足弓状态变化>腿长差>动态足弓指数。图7（b）展示了临床特征SHAP 值分布情况，纵坐标轴上的位置由临床特征按重要性排序确定，横坐标轴上的位置由SHAP 值确定。
![]()
图 7 膝内翻RF预测模型特征变量分布及其重要性汇总Figure 7. Summary of feature variable distribution and importance within Random Forest for knee varus3. 分析与讨论
本文通过多种机器学习算法构建了小学龄儿童青少年膝关节内外翻的风险预测模型，结果显示：XGBoost模型预测小学龄儿童青少年膝关节外翻风险效果最佳，其SAUC值为0.738，表现出较好的区分度，与之对比，传统LM模型的SAUC值为0.712，该结果进一步突显了基于集成学习的XGBoost模型在复杂特征之间的非线性关系识别上的优势；RF模型预测小学龄儿童青少年膝关节内翻风险效果最佳，其SAUC值达到0.824，高于其他模型，表明RF模型的集成机制在应对不同类型的特征数据时展现了更高的稳定性。
对各模型的性能指标进行比较分析后发现，在膝外翻预测中，XGBoost模型的准确率达到0.66，略高于RF的0.65和LGBM的0.63，说明XGBoost模型在较小的数据集上具有较好的稳定性和泛化能力。在灵敏度方面，XGBoost模型表现优异（0.63），而SVM（0.53）和KNN（0.58）模型的灵敏度相对较低，表明XGBoost模型在实际应用中更能避免漏检膝外翻高风险个体。同时，XGBoost模型的精确率为0.59，优于LM的0.57和SVM的0.50，展现出其在正例预测中的良好表现。此外，XGBoost模型的F1值为0.61，进一步验证了其对精确率和灵敏度的平衡能力。
在膝内翻预测中，RF模型的表现尤为突出，其准确率达到0.74，高于其他所有模型，显示了整体预测能力。RF模型的灵敏度和特异性均为0.70，相较于LM模型（灵敏度为0.56、特异性为0.56）有显著提升。这种均衡表现表明RF模型不仅能有效识别膝内翻高风险个体，也能减少误检。特别是在特异性上，RF模型（0.70）的表现优于XGBoost（0.52）和SVM（0.53），显示出较强的对非膝内翻样本的识别能力，能有效避免误检。RF模型的F1值达到了0.68，明显优于LM模型（0.54），表明其在权衡精确率和灵敏度方面具有更好的综合表现，适合于需要高精度筛查的实际应用场景。
在模型的特征指标方面，影响膝关节外翻XGBoost模型输出结果的主要特征指标为年龄、腿长差和耳肩距离（重要性依次递减），影响膝关节内翻RF预测模型输出结果的主要特征指标为耳肩距离、膝关节伸展角、年龄、足弓状态变化、腿长差和动态足弓指数（重要性依次递减）。这些模型不仅为膝关节姿态不良的早期预测提供了有效工具，还为智能化儿童青少年体态健康评估系统的开发提供了科学的方法参考和依据。
针对儿童青少年膝外翻，本文通过LASSO算法筛选特征变量后发现，年龄、腿长差和耳肩距离是预测膝外翻的重要特征变量。其潜在生物力学机制可能是随着年龄增长，儿童青少年的骨骼、关节及关节周结缔组织逐渐发育成熟，但不同组织之间生长发育的速度存在较大的局部差异性，继而导致膝关节的结构不断变化，影响其稳定性，容易导致异常的力线排列，最终由于长期的肌肉代偿诱发外翻姿势不良[26−27]。同时，年龄的增加可能伴随体重增加以及躯干姿势变化，影响膝关节的关节应力分布[28]。此外，左右腿长的差异往往伴随骨盆倾斜和脊柱侧屈，增加下肢的负荷不对称性，从而进一步增加膝外翻的风险[29−30]。耳肩距离反映了颈部和上身姿态，头前倾和不良的体态会改变身体重心，影响下肢力线，从而对膝关节施加额外压力[31]。SHAP分析得出，对于膝关节外翻的XGBoost预测模型，年龄的增加对膝关节的整体影响最为显著，其次是腿长差对下肢力线的不对称影响，最后是耳肩距离对体态的间接影响。因此，为预防儿童青少年膝外翻，建议定期进行膝关节健康检查，监测其体态和姿势，早期发现并纠正不良体态，适当采取矫正措施，如配备矫正鞋垫[32]。同时，还应加强体能训练和下肢肌肉锻炼，增强膝关节的稳定性和相关肌肉耐力[33]。
针对儿童青少年膝内翻，本文筛选特征变量后发现，主要特征指标为膝关节伸展角、腿长差、耳肩距离、动态足弓指数、足弓变化情况和年龄。基于生物力学视角，耳肩距离反映躯干姿态，头部的重力线位置过于靠前，会影响全身的力线排列[34]。同时，膝关节伸展角的异常可能导致髌股关节在运动中的稳定性下降，增加膝内翻的发生概率[35−36]。在年龄和腿长的差异方面，其潜在生物力学机制可能和膝关节外翻相同，即肌肉骨骼系统生长发育的局部差异性也存在诱发膝关节内翻的风险。动态足弓指数即支撑中期的足弓指数，反映了足部在加载步行的地面反作用力负荷时的足弓状态。本文发现，相比于发育成熟的成年人，部分儿童青少年即使在站立检查时为正常足弓，但在行走步态支撑中期其足弓判定结果会改变为扁平足，该现象可能由于儿童青少年足部内在肌以及小腿三头肌力量不足，其足底“绞盘机制”调节足弓的能力有限，无法在行走过程中很好地维持足弓形态[37]。根据SHAP分析结果，耳肩距离对儿童青少年膝内翻风险的影响最大，其次是膝关节伸展角、年龄、足弓状态变化、腿长差和动态足弓指数。因此，为预防儿童青少年膝内翻，建议定期对其进行体态训练，改善颈部和上身姿态，通过训练和矫正干预，调整膝关节伸展角，同时，须定期评估和监测足弓状态，采用适当的矫正鞋垫或足部训练来保持足部力线的正常。
此外，本文还展示了机器学习算法在处理儿童青少年体态健康问题中的优势，比如它能够处理大规模的多维度数据，并识别出数据中的非线性关系和交互效应[38]。这种优势为智能化评估系统的开发奠定了技术基础，不仅可用于膝关节内外翻，还能推广至其他儿童青少年体态不良问题，如脊柱侧弯和步态异常[31−32]。同时，研究的拓展性也体现在其方法的泛化能力上。膝关节内外翻作为儿童青少年常见的体态不良问题，涉及多种生物力学特征，本文所采用的模型能够有效整合这些多维特征，提供高精度的预测结果。这意味着通过调整模型中的特征变量和数据集，类似的方法可以应用于监测和预测其他儿童青少年常见的体态不良问题，从而实现更全面的体态健康管理[33−34]。
本文存在一定的局限性。首先，采用的建模方法在理论上是可行的，但由于样本量较小，研究中得到的特征指标、最优模型和相应的解释可能无法直接推广应用于更大范围的目标人群。因此，尽管在数据筛选、模型验证及解释方面体现了方法的有效性，当前样本量的局限可能导致模型结果缺乏广泛的实践应用价值。为了提升模型的泛化能力，未来研究应扩大样本规模，涵盖更具代表性和多样化的人群数据，以增强模型的实用性和适用性。其次，由于目前尚无利用动态足弓指数判定运动中足弓状态的标准，采用了静态条件下的判定标准，这可能导致在动态条件下对足弓情况的评估存在误差。因此，未来研究应引入更标准化的动态数据，以提高模型的预测精度和适用性。最后，尽管XGBoost模型和RF模型表现优异，但仍存在进一步提升的空间。在未来研究中可以考虑引入深度学习模型[如卷积神经网络（CNN）或循环神经网络（RNN）]和自动机器学习（AutoML）技术，通过更高效的特征提取和自动化调优进一步提升模型的预测性能和适用性。
4. 结 论
本文基于多种机器学习算法构建了智能化儿童体态健康评估模型，其中，以XGBoost算法构建的模型对儿童青少年膝外翻风险的预测效果最佳，以RF算法构建的模型对儿童青少年膝内翻风险的预测效果最佳。年龄、腿长差和耳肩距离是预测膝外翻风险的主要因素，而耳肩距离、膝关节伸展角、足弓状态变化等指标显著影响膝内翻风险。这些特征指标揭示了儿童青少年膝关节姿态不良的潜在生物力学机制，为早期精准干预提供了理论支持。本文结果为智能化儿童青少年体态健康评估系统的开发奠定了方法学基础，并为推动“健康中国2030”规划目标中儿童青少年体态健康管理提供了重要科学依据和技术保障。
作者贡献声明：顾耀东：提出论文主题，设计论文框架，核实数据，撰写论文；作者贡献声明：徐异宁：调研文献，设计论文框架，撰写、修改论文。 -
![]()
图 2 足底压力分区及相关数据采集示意
Figure 2. Diagram of plantar pressure distribution and relative data collection
![]()
图 3 研究技术流程
注：KNN表示K最邻近，LGBM表示轻量梯度提升，XGBoost表示极端梯度提升，RF表示随机森林，LM表示多因素逻辑回归，SVM表示支持向量机。
Figure 3. Flow diagram of study
![]()
图 4 单因素LASSO回归结果
注：图（a）、（b）、（c）、（d）中左右虚线分别对应于非零最佳惩罚系数λ-min和λ-1se，本文选择了λ-1se作为验证结果。
Figure 4. Results of univariate LASSO regression
![]()
图 5 不同机器学习预测模型的ROC曲线比较结果
Figure 5. Comparison of ROC curves for different machine learning prediction models
![]()
图 6 膝外翻XGBoost预测模型特征变量分布及其重要性汇总
Figure 6. Summary of feature variable distribution and importance within XGBoost for knee valgus
![]()
图 7 膝内翻RF预测模型特征变量分布及其重要性汇总
Figure 7. Summary of feature variable distribution and importance within Random Forest for knee varus
表 1 研究资料收集及数据采集
Table 1 Data and information collection
数据 定义 获取方式 备注 姓名 — 问卷调查 自设问卷 性别 — 问卷调查 居住地 — 问卷调查 年龄/岁 — 问卷调查 既往病史 — 问卷调查 运动习惯 — 问卷调查 体力活动问卷[22−23] 身高/cm — 设备采集 身高体重测量仪 体重/kg — 设备采集 BMI/（kg·m−2） BMI = 体重/身高2（kg/m2） 计算 基于身高体重数据 体型（超重/肥胖/标准/偏瘦/极瘦） BMI高于同性别年龄平均值1～2个标准差为超重，
大于2个标准差为肥胖，±1个标准差内为标准值，
低于1～2个标准差为偏瘦，低于2个标准差以上为极瘦算法判定 基于世界卫生组织（WHO）标准[24] 足轴角/° 支撑期50%时足轴与人前进方向夹角 设备采集 FootScan®三维足型扫描及步态
分析系统（RSscan公司，比利时）静态足弓指数 解剖位静态站立时的足弓指数 设备采集 动态足弓指数 支撑期50%时的足弓指数 设备采集 足弓状态变化 动、静态足弓指数判定结果不同 算法判定 动静态足弓指数差 动态足弓指数－静态足弓指数 计算 基于足型扫描数据 鞋码（EUR） EUR = 裸足足长（cm）×210 计算 耳肩距离/cm 外耳道与肩峰水平距离 设备采集 Kinect深度相机的人体姿态识别
及测量设备（微软公司，美国）左右肩峰水平角/° 左右肩峰点与水平面夹角 设备采集 胫骨股骨冠状面角/° 大小腿冠状面中线夹角 设备采集 膝关节伸展角/° 大小腿矢状面中线夹角 设备采集 踝关节高度/cm 踝关节冠状面内外最凸点连线中点离地高度 设备采集 腿长差/mm 左右大小腿中线加踝关节高度差的绝对值 设备采集 膝关节外翻 膝关节中点间距－踝关节中点间距 < −2 cm 算法判定 基于人体姿态识别及测量数据 膝关节内翻 膝关节中点间距－踝关节中点间距 > 3 cm 算法判定 注：根据《诸福棠实用儿科学》[25] 的诊断标准，成熟步态模式下，常态踝关节间距达到 2～5 cm 为轻度（Ⅰ度，含5 cm）膝外翻，5～10 cm 为中度（Ⅱ度，含10 cm）膝外翻，大于10 cm 为重度（Ⅲ度）膝外翻；成熟步态模式下，常态膝关节间距达到3～5 cm 为轻度（Ⅰ度）膝内翻，5～10 cm 为中度（Ⅱ度）膝内翻，大于10 cm 为重度（Ⅲ度）膝内翻。 
下载: 导出CSV
表 2 膝外翻与膝内翻儿童青少年基线资料
Table 2 Baseline characteristics of knee valgus and knee varus
类别 膝外翻 膝内翻 总体（n=514） 无膝外翻（n=434） 膝外翻（n=80） P 总体（n=514） 无膝内翻（n=324） 膝内翻（n=190） P 性别 0.132 0.816 男性 442（85.99%） 378（87.10%） 64（80.00%） 442（85.99%） 280（86.42%） 162（85.26%） 女性 72（14.01%） 56（12.90%） 16（20.00%） 72（14.01%） 44（13.58%） 28（14.74%） 身高/cm 137.00
（128.00，149.50）135.50
（127.00，148.50）144.25
（134.88，152.00）<0.001 137.00
（128.00，149.50）139.00
（128.50，151.00）135.00
（127.50，145.50）0.006 体重/kg 30.70
（24.60，41.50）29.80
（24.40，40.20）36.85
（29.32，45.43）<0.001 30.70
（24.60，41.50）31.65
（25.40，46.10）29.10
（24.40，37.28）0.007 BMI/（kg·m−2） 16.59
（15.09，18.90）16.36
（14.88，18.83）17.42
（16.07，19.54）0.001 16.59
（15.09，18.90）16.77
（15.26，19.15）16.05
（14.89，18.21）0.023 年龄/岁 9.00
（7.00，11.00）9.00
（7.00，11.00）10.00
（9.00，11.00）0.001 9.00
（7.00，11.00）9.00
（7.00，11.00）9.00
（7.00，10.00）0.027 鞋码（EUR） 35.00
（32.00，37.00）35.00
（32.00，37.00）36.00
（34.75，38.00）<0.001 35.00
（32.00，37.00）35.00
（32.00，38.00）34.50
（32.00，37.00）0.115 耳肩距离/cm 1.60
（0.40，3.60）1.50
（0.40，3.20）3.05
（1.05，4.65）<0.001 1.60
（0.40，3.60）1.74
（0.50，3.90）1.38
（0.30，3.10）0.011 左右肩峰水平角/（°） 0.00
（0.00，0.00）0.00
（0.00，0.00）0.00
（0.00，0.00）0.616 0.00
（0.00，0.00）0.00
（0.00，0.00）0.00
（0.00，0.00）0.094 胫骨股骨冠状面角/（°） 6.30
（0.00，8.10）6.30
（0.00，8.10）6.30
（0.00，8.10）0.581 6.30
（0.00，8.10）2.75
（0.00，8.10）7.10
（1.00，8.10）<0.001 膝关节伸展角/（°） 5.30
（1.90，7.80）5.40
（1.40，7.70）4.80
（3.48，7.80）0.315 5.30
（1.90，7.80）5.35
（2.29，7.70）4.70
（0.65，8.25）0.569 足轴角/（°） 5.71
（2.94，8.99）5.71
（2.93，9.14）5.20
（3.65，8.53）0.902 5.71
（2.94，8.99）5.42
（2.73，8.64）5.91
（3.44，9.56）0.213 静态足弓指数 23.23
（16.55，30.25）23.54
（16.59，31.07）21.66
（16.46，28.44）0.258 23.23
（16.55，30.25）22.34
（16.26，28.90）24.87
（17.80，31.86）0.031 动态足弓指数 29.16
（26.42，32.14）29.30
（26.71，32.30）28.35
（25.67，30.38）0.034 29.16
（26.42，32.14）28.80
（26.09，32.02）29.70
（26.96，32.30）0.112 动静态足弓
指数差6.00
（0.59，10.91）6.00
（0.41，11.28）6.00
（3.00，9.00）0.835 6.00
（0.59，10.91）6.00
（1.11，11.23）5.15
（−0.66，9.62）0.097 注：计量数据表达为“中位数（25%四分位数，75%四分位数）”，计数数据表达为“例（占总体百分比）”。
下载: 导出CSV
表 3 膝外翻与膝内翻6种机器学习预测模型预测性能
Table 3 Predivtion performance of 6 machine learning models for knee valgus and knee varus
模型 膝外翻 膝内翻 准确率 灵敏度 特异性 精确率 F1 准确率 灵敏度 特异性 精确率 F1 KNN 0.62 0.58 0.58 0.55 0.56 0.71 0.67 0.67 0.63 0.65 LGBM 0.63 0.59 0.59 0.56 0.57 0.56 0.53 0.53 0.50 0.51 LM 0.64 0.61 0.61 0.57 0.59 0.59 0.56 0.56 0.52 0.54 RF 0.65 0.62 0.62 0.58 0.60 0.74 0.70 0.70 0.66 0.68 SVM 0.56 0.53 0.53 0.50 0.51 0.56 0.53 0.53 0.50 0.52 XGBoost 0.66 0.63 0.63 0.59 0.61 0.55 0.52 0.52 0.49 0.51
下载: 导出CSV
-
[1] 陶芳标. 构建面向健康中国2030青少年健康促进体系[J]. 中国学校卫生,2023,44(1):1-5 [2] 兰丽莎,郑富强. 健康中国背景下青少年儿童健康促进路径研究[J]. 当代体育科技,2021,11(24):213-215 [3] 柳鸣毅,王梅,徐杰,等. “健康中国2030” 背景下中国青少年体育公共政策研究[J]. 体育科学,2018,38(2):91-97 [4] 万炳军,曾肖肖,史岩,等. “健康中国” 视域下青少年体育使命及其研究维度的诠释[J]. 体育科学,2017,37(10):3-12 [5] 魏铭,牛雪松,吴昊. 体医融合视域下青少年体态异常防治的现实路径[J]. 沈阳体育学院学报,2022,41(4):57-63 [6] 郝紫微,张洁,王含笑. 步态分析技术在儿童膝外翻早期干预中的应用进展[J]. 甘肃医药,2023,42(5):395-397 [7] HARDGRIB N,GOTTLIEBSEN M,RAHBEK O,et al. Correlation of radiological and clinical measurement of genu valgum in children[J]. Danish Medical Journal,2018,65(5):A5479
[8] 张剑坤,覃佳强. 重度膝外翻的外科治疗进展[J]. 现代医药卫生,2014,30(15):2287-2289 [9] 胡祖杰,刘传康. 儿童X型腿、O型腿的评估与治疗进展[J]. 现代医药卫生,2013,29(10):1512-1513 [10] 李正,王慧贞,吉士俊. 实用小儿外科学:下册 [M]. 北京:人民卫生出版社,2001:1589-1595 [11] MACDONALD J,RODENBERG R,SWEENEY E. Acute knee injuries in children and adolescents:A review[J]. JAMA Pediatrics,2021,175(6):624-630 doi: 10.1001/jamapediatrics.2020.6130
[12] HOLDER J,VAN DRONGELEN S,UHLRICH S D,et al. Peak knee joint moments accurately predict medial and lateral knee contact forces in patients with valgus malalignment[J]. Scientific Reports,2023,13(1):2870
[13] TSAI A. A deep learning approach to automatically quantify lower extremity alignment in children[J]. Skeletal Radiology,2022,51(2):381-390 doi: 10.1007/s00256-021-03844-2
[14] AMASYA H,YILDIRIM D,AYDOGAN T,et al. Cervical vertebral maturation assessment on lateral cephalometric radiographs using artificial intelligence:Comparison of machine learning classifier models[J]. Dento Maxillo Facial Radiology,2020,49(5):20190441 doi: 10.1259/dmfr.20190441
[15] KOLAGHASSI R,AL-HARES M K,MARCELLI G,et al. Performance of deep learning models in forecasting gait trajectories of children with neurological disorders[J]. Sensors,2022,22(8):2969 doi: 10.3390/s22082969
[16] MORBIDONI C,CUCCHIARELLI A,AGOSTINI V,et al. Machine-learning-based prediction of gait events from EMG in cerebral palsy children[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering,2021,29:819-830 doi: 10.1109/TNSRE.2021.3076366
[17] KOKKOTIS C,MOUSTAKIDIS S,TSATALAS T,et al. Leveraging explainable machine learning to identify gait biomechanical parameters associated with anterior cruciate ligament injury[J]. Scientific Reports,2022,12(1):6647 doi: 10.1038/s41598-022-10666-2
[18] 卜志军,卢冠杭,王禹毅,等. 临床预测模型结果的可视化分析及其在中医领域的应用研究[J]. 现代中医临床,2024,31(2):13-18 [19] REGIER D A,KUHL E A,KUPFER D J. The DSM-5:Classification and criteria changes[J]. World Psychiatry,2013,12(2):92-98 doi: 10.1002/wps.20050
[20] MICHAUDET C,EDENFIELD K M,NICOLETTE G W,et al. Foot and ankle conditions:Pes planus[J]. FP Essentials,2018,465:18-23
[21] KITAOKA H B,AHN T K,LUO Z P,et al. Stability of the arch of the foot[J]. Foot & Ankle International,1997,18(10):644-648
[22] 曹坤鹏,银小芹,杨冠强,等. 青少年体力活动问卷(PAQ-A)中文版区域适用性的影响因素分析[J]. 当代体育科技,2018,8(2):241-243 [23] 李新,王艳,李晓彤,等. 青少年体力活动问卷(PAQ-A)中文版的修订及信效度研究[J]. 北京体育大学学报,2015,38(5):63-67 [24] WANG Y,WANG J Q. Standard definition of child overweight and obesity worldwide. Authors' standard compares well with WHO standard[J]. BMJ,2000,321(7269):1158 doi: 10.1136/bmj.321.7269.1158
[25] 胡亚美,江载芳. 诸福棠实用儿科学[M]. 7版. 北京:人民卫生出版社,2002:23-28 [26] LAFOND D,DESCARREAUX M,NORMAND M C,et al. Postural development in school children:A cross-sectional study[J]. Chiropractic & Osteopathy,2007,15:1
[27] NG J W G,PRICE K,DEEPAK S. Knee pain in children[J]. Paediatrics and Child Health,2019,29(12):521-527 doi: 10.1016/j.paed.2019.09.002
[28] HEWETT T E,MYER G D. The mechanistic connection between the trunk,hip,knee,and anterior cruciate ligament injury[J]. Exercise and Sport Sciences Reviews,2011,39(4):161-166 doi: 10.1097/JES.0b013e3182297439
[29] HARVEY W F,YANG M,COOKE T D V,et al. Association of leg-length inequality with knee osteoarthritis:A cohort study[J]. Annals of Internal Medicine,2010,152(5):287-295 doi: 10.7326/0003-4819-152-5-201003020-00006
[30] MUFTY S,VANDENNEUCKER H,BELLEMANS J. The influence of leg length difference on clinical outcome after revision TKA[J]. The Knee,2014,21(2):424-427 doi: 10.1016/j.knee.2012.09.007
[31] JOHNSON E K,CHIARELLO C M. The slump test:The effects of head and lower extremity position on knee extension[J]. The Journal of Orthopaedic and Sports Physical Therapy,1997,26(6):310-317 doi: 10.2519/jospt.1997.26.6.310
[32] KHOSRAVI M,ARAZPOUR M,SHARAFAT VAZIRI A. An evaluation of the use of a lateral wedged insole and a valgus knee brace in combination in subjects with medial compartment knee osteoarthritis (OA)[J]. Assistive Technology,2021,33(2):87-94 doi: 10.1080/10400435.2019.1595788
[33] RAPOSO F,RAMOS M,CRUZ A L. Effects of exercise on knee osteoarthritis:A systematic review[J]. Musculoskeletal Care,2021,19(4):399-435 doi: 10.1002/msc.1538
[34] DING Y,LIU B G,QIAO H,et al. Can knee flexion contracture affect cervical alignment and neck tension? A prospective self-controlled pilot study[J]. The Spine Journal,2020,20(2):251-260 doi: 10.1016/j.spinee.2019.09.008
[35] CHEN Y R,LI J,YANG H T,et al. Differences in patellofemoral alignment between static and dynamic extension positions in patients with patellofemoral pain[J]. Orthopaedic Journal of Sports Medicine,2024,12(3):23259671231225177
[36] WHEATLEY M G A,THELEN D G,DELUZIO K J,et al. Knee extension moment arm variations relate to mechanical function in walking and running[J]. Journal of the Royal Society,Interface,2021,18(181):20210326 doi: 10.1098/rsif.2021.0326
[37] MOZAFARIPOUR E,SEIDI F,MINOONEJAD H,et al. Can lower extremity anatomical measures and core stability predict dynamic knee valgus in young men?[J]. Journal of Bodywork and Movement Therapies,2021,27:358-363
[38] PIÑERO-FUENTES E,CANAS-MORENO S,RIOS-NAVARRO A,et al. A deep-learning based posture detection system for preventing telework-related musculoskeletal disorders[J]. Sensors,2021,21(15):5236
计量
- 文章访问数: 39
- HTML全文浏览量: 2
- PDF下载量: 10