Predição da avaliação funcional de especialistas em lesão de LCA via Markerless e Machine Learning por meio de um teste Pliométrico Unipodal Multiplanar

• Processo: 25/12112-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 31 de agosto de 2026
• Área de conhecimento: Ciências da Saúde - Fisioterapia e Terapia Ocupacional
• Pesquisador responsável: Paulo Roberto Pereira Santiago
• Beneficiário: Anna Carolina Magalhães Leonel
• Instituição Sede: Escola de Educação Física e Esporte de Ribeirão Preto (EEFERP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Assunto(s): Aprendizado computacional Visão computacional Biomecânica
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | biomecânica do joelho | Reabilitação Funcional | Reconstrução do LCA | Visão Computacional | Biomecânica

Resumo

Este projeto propõe a aplicação de modelos de aprendizado de máquina e visão computacional para estimar avaliações funcionais atribuídas por especialistas a pacientes com lesão do Ligamento Cruzado Anterior (LCA), a partir de dados cinemáticos obtidos por rastreamento markerless durante o teste Pliométrico Unipodal Multiplanar (CUBE). Utilizando três câmeras GoPro Hero 10, movimentos serão capturados em diferentes planos e processados pelo framework MediaPipe, que permite a extração de características cinemáticas relevantes (features) associadas a fatores de risco para lesão de LCA. Especialistas atribuirão escores funcionais globais (escala 1-5) aos pacientes, baseados na análise dos vídeos e em seu conhecimento clínico prévio, e a confiabilidade entre avaliadores será verificada pelo índice Kappa de Cohen. Os dados alimentarão o treinamento e avaliação de múltiplos modelos supervisionados (Extreme Gradient Boosting, Random Forest, Regressão Logística, K-Nearest Neighbors, Support Vector Machine, Gaussian Naive Bayes, Multilayer Perceptron), otimizados por Grid Search e avaliados por validação cruzada estratificada. O desempenho será analisado por acurácia balanceada, precisão, recall e F1 Score. As análises estatísticas, realizadas em Python 3.12.11, envolverão testes de normalidade (Shapiro-Wilk), homogeneidade (Levene), comparações por ANOVA ou Kruskal-Wallis, post-hoc apropriados e cálculo do d de Cohen. O objetivo final é desenvolver uma ferramenta automatizada, objetiva e confiável para apoiar a reabilitação funcional pós-LCA além de indicar quais os melhores modelos de aprendizado de máquina para esta tarefa.