この記事の要点
- 日本語タイトル：AIはACL損傷予測とリハビリ判断に有用か？
- 英語タイトル：Machine learning applications for anterior cruciate ligament injury prediction and rehabilitation in sports: A scoping review with evidence synthesis.
ここで取り上げるテーマは、スポーツでのけがのリハビリや整形外科の外来で、日常的によく問題になる内容です。
できるだけ専門用語をかみくだいて、普段の診察室でお話しするような形で説明していきます。
研究の背景・目的
「ACL」とは「Anterior Cruciate Ligament（前十字靱帯）」の略で、膝の中にある靱帯のひとつです。スポーツ中の急な方向転換やジャンプの着地などで切れてしまうことがあり、「ACL損傷」と呼ばれます。
ACLを手術で再建したあと、
・もう一度切れてしまう（再断裂）危険性がどのくらいあるか
・いつごろスポーツに復帰してよいか（競技復帰時期）
といった判断は、今でも多くの場合、医師や理学療法士（Physical Therapist：運動療法を専門とするリハビリのスタッフ）の経験や、限られた検査データに頼って決められています。
近年は、
・3次元で体の動きを詳しく調べる「3D動作解析」
・体に装着して動きや筋肉の状態を測る「ウェアラブルセンサー」
・電子カルテに記録された診療情報や、レントゲン・MRIなどの画像
といった、非常に多くのデータを集められるようになってきました。
これらの大量のデータを「機械学習（Machine Learning：コンピューターがデータからパターンを学習して予測する方法）」で解析し、
・再断裂のリスクをどのくらいか
・回復のパターンがどうなっているか
を、できるだけ客観的に評価しようとする研究が進んでいます。今回の論文は、そのような研究をまとめて整理し、ACL診療におけるAI（人工知能）・機械学習の役割を確認することを目的としています。
調査の方法（対象など）
この研究では、2016年から2025年までに発表された、ACLに関連する機械学習の研究を集めて調べています。
論文の探し方やまとめ方には、「PRISMA-ScR（Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews）」という、スコーピングレビュー（広く文献を集めて全体像を整理する方法）の報告ガイドラインが使われています。これは、「どのように論文を探し、どのように選んだか」を透明に示すための国際的なルールです。
集めた研究について、
・診察情報（年齢、性別、けがの状態などの臨床情報）
・バイオメカニクス（Biomechanics：関節の動きや力のかかり方など、体の動きを力学的に分析したデータ）
・画像（レントゲン、MRIなど）
・ウェアラブル機器から得られるデータ
といった、どのような種類のデータを使っているかを整理しました。
さらに、どのような「MLアルゴリズム（Machine Learning Algorithm：機械学習の計算方法）」を使い、どんな結果（アウトカム：再断裂の有無、スポーツ復帰の可否など）を予測しているかをまとめています。
研究の質の評価には、
・TRIPOD-AI（Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis – Artificial Intelligence：AIを用いた予測モデルの報告内容をチェックするための基準）
・PROBAST-AI（Prediction model Risk Of Bias ASsessment Tool – Artificial Intelligence：AIを用いた予測モデルの偏りのリスクを評価するためのツール）
という、予測モデルの信頼性を確認するための評価方法が用いられています。
研究の結果
合計40本の研究が対象となりました。
画像以外のデータ（診察情報や動作解析、ウェアラブルのデータなど）を扱った研究では、「ランダムフォレスト（Random Forest）」や「XGBoost（エックスジーブースト）」といった、木（決定木）をたくさん組み合わせて予測する「木ベースのアンサンブルモデル」という機械学習の方法がよく使われていました。
これらのモデルは、
・感度（Sensitivity：実際に問題がある人をどれだけ見逃さずに当てられるか）
・特異度（Specificity：問題のない人をどれだけ「問題なし」と正しく判断できるか）
が、おおむね0.80前後、
・AUC（Area Under the Curve：予測の総合的な正確さを0〜1で表した指標）
が0.80〜0.90台と報告されており、一定程度良好な性能が示されていました。
画像（主にMRIなど）を対象にした研究では、「ディープラーニング（Deep Learning：多層のニューラルネットワークを用いた機械学習の一種）」が使われ、ACL断裂を見つける（検出する）性能として、AUCが約0.90と報告されているものもありました。
一方で、多くの研究はひとつの病院や施設だけで行われており（単施設研究）、別の病院や地域のデータで確かめる「外部検証」が十分ではありませんでした。また、「RTS（Return To Sport：スポーツ復帰）」の基準も研究ごとにばらばらで、統一されていない段階であることが示されています。
結論：今回の研究でわかったこと
ACL診療の分野で使われている機械学習は、再断裂のリスク予測や画像診断などにおいて、将来的に役に立つ可能性がある「有望な補助ツール」と考えられます。
ただし、まだ多くの研究が限られた施設のデータだけで作られており、他の場所でも同じように使えるかどうかを確かめる「外部検証」が十分ではありません。また、スポーツ復帰（RTS）の基準も標準化されておらず、研究ごとに条件が異なっています。
そのため現時点では、AIや機械学習の結果だけで治療方針を決めるのではなく、あくまで客観的な情報を補う手段として、慎重に併用していく段階にあるとまとめられています。
実際の診察ではどう考えるか
AIは、ACL診療における「最終的な決定者」ではなく、あくまで医師や理学療法士が判断するときの「客観的な補助ツール」として位置づけられます。
実際の診察では、
・筋力の検査
・ジャンプや着地、方向転換などの動作評価
・けがへの不安や自信などの心理面の評価
といった、標準化された評価方法と組み合わせてAIを利用することが大切です。
そのうえで、使おうとしているAIモデルが、
・他の施設のデータでも確かめられているか（外部検証の有無）
・スポーツ復帰（RTS）の基準が妥当か、明確か
といった点を、常に確認しながら活用していく姿勢が重要だとされています。
参考文献
-
Machine learning applications for anterior cruciate ligament injury prediction and rehabilitation in sports: A scoping review with evidence synthesis.
https://pubmed.ncbi.nlm.nih.gov/41793229/
※この記事は、医学論文の内容を一般向けに解説したものです。診断や治療の最終判断は、必ず主治医とご相談ください。
