VIDEOANALYSE AV KORSBÅNDSKADER

Denne artikkelen beskriver bakgrunn og utvikling av videoanalysemetodene ved Senter for idrettskadeforskning. Artikkelen inneholder data fra - og lenker til - flere publiserte arbeider. Du kan også se video av flere analyser ved å klikke på figurene.

Hva er årsaken til korsbåndskadene?
Skadeforebyggingsforskning kan beskrives som en ”steg-for-steg prosess” (1) der informasjon om årsakene til skaden er samlet inn systematisk og benyttet til å utvikle potensielt effektive forebyggende tiltak. En viktig målsetting er å kartlegge ulike indre og ytre risikofaktorer. Indre risikofaktorer er ulike faktorer som karakteriserer utøveren. Slike faktorer kan bidra til å gjøre en utøver predisponert for skade, mens eksponering for ytre risikofaktorer som f.eks banedekke, dommeravgjørelser eller beskyttelsesutstyr kan modifisere risikoen for skade (2). En fullstendig forståelse av årsakene til en skade i en gitt idrett fordrer i tillegg en beskrivelse av skademekanismen. Dette begrepet bør, i følge Bahr og Krosshaug (3), omfatte hendelser som leder opp til skaden (f.eks. spillersituasjon, spiller/motstander-adferd), og i tillegg en presis beskrivelse av helkropps- og leddbiomekanikk i skadeøyeblikket (Fig 1).

Figur 1 En omfattende modell for årsak til skade (3)

Studier fra håndball, fotball og andre idretter har vist at korsbåndskader kan forebygges vha. treningsprogrammer som fokuserer på knekontroll, balanse, teknikk og styrke (4). Vi har en viss kunnskap om risikofaktorer, f.eks. at kvinner er mer utsatt enn menn, at kampsituasjoner innebærer langt større risiko enn trening og at banedekkets friksjon ser ut til å ha betydning (4). Det er imidlertid langt frem til vi har kartlagt betydningen til hver av de ulike potensielle indre og ytre risikofaktorene som er foreslått i litteraturen.

Når det gjelder skademekanismene er de faktisk enda mer uklare, og ulike teorier debatteres kraftig i nyere publikasjoner (5; 6). ”Quadriceps drawer”-teorien innebærer at lårstrekkerne, via patellasenen, trekker leggen fremover. Dette forutsetter at kneet er relativt strakt. Valgus – eller ”kalvbeinthet” er også foreslått å belaste korsbåndet. Likeledes har intern rotasjon av tibia, ekstern rotasjon av tibia og vertikal kompresjon i kneleddet alle vært foreslått som skademekanismer. Den manglende forståelsen av skadeårsak begrenser vår evne til å utvikle bedre og mer målrettede forebyggende tiltak (7).

Hvordan forske på skademekanismer?
Så hvordan kan man da gå frem for å forske på skademekanismer? Fra et systematisk litteratursøk ble det identifisert åtte ulike forskningstilnærminger. Disse metodene var utøverintervju, videoanalyse, bevegelsesanalyse i laboratorium, direkte måling (in-vivo) av kraft/strekk i korsbåndet, kadaverstudier, matematisk modellering og simulering, kliniske studier (MR, CT) og i enkelte sjeldne tilfeller – uhell som forekommer i biomekaniske forsøk (7).

Videoanalysens rolle
Med unntak av den siste kategorien (uhell ved forsøk) er videoanalyse den eneste metoden der vi har mulighet til å beskrive bevegelsene som er involvert i en reell skadesituasjon. Estimater av bevegelsene som inngår i skadesituasjonen er essensielt av flere årsaker: I tillegg til informasjonen vi får direkte fra slike studier vil leddbevegelser fra reelle skadesituasjoner være nødvendig for å fastslå gyldigheten av studier basert på andre tilnærminger som forsøker å simulere/etterligne skademekanismen (kadaverstudier, matematisk simulering, bevegelsesanalyse, in-vivo studier). Slike simuleringer må kunne produsere liknende bevegelser som er observert i reelle skadesituasjoner for å være valide. I motsatt fall vil vi kunne få feil svar, dvs. simuleringer som sjelden eller aldri forekommer.

I tillegg kan videoanalyse avsløre viktige aspekter ved skadehendelsen, ikke bare biomekaniske data, men også relatert til spillesituasjonen og spiller/motstanderadferd. Denne informasjonen kan benyttes til å utforme forbedrede forebyggende tiltak. Videoanalyse har derfor blitt benyttet innen ulike idretter for å studere ulike skadetyper. Andersen og medarbeidere (8-10) tilpasset metoder som tidligere var benyttet innen prestajonsanalyse i fotball til å analysere ankel- og hodeskadesituasjoner. Ettlinger og medarbeidere (11) benyttet videoer til å beskrive karakteristika ved bevegelsene som er assosiert med korsbåndskader i alpint. McIntosh og medarbeidere benyttet videoanalyse til å kvantifisere hastigheten på hodet i støtskader i Australian Rules Football. Imidlertid har ingen av disse studiene forsøkt å kvantifisere leddbevegelser.

Videoanalyse av korsbåndskader i ballspill
Det er også gjort flere videoanalyser av fremre korsbåndskader i lag/ballidretter (12-14). Disse studiene har konkludert med at kneet er relativt strakt i skadeøyeblikket. Det har videre blitt rapportert at kneet har vært i intern rotasjon, ekstern rotasjon og i mange tilfeller er det også rapportert valgus eller valguskollaps. Enkelte av disse studiene har også forsøkt å kvantifisere leddbevegelsene (12; 14).

Imidlertid er det flere åpenbare svakheter med disse studiene. Det har som regel vært relativt få videoer som har vært analysert i hver av studiene. Dessuten har videokvaliteten i mange tilfeller vært dårlig, noe som gjør dem vanskelige å vurdere. Det har også vært umulig å bedømme nøyaktig når skaden inntreffer (12). Men det største problemet er at studiene utelukkende benyttet seg av enkle visuelle analyser, dvs. at den som foretar analysen må anslå hvilke leddvinkler utøveren har uten å benytte noen form for hjelpemidler. Til tross for at det var relativt god enighet blant ekspertene som analyserte videoene var det usikkert hvor god nøyaktigheten på slike analyser var (12).

Validiteten av visuelle analyser
For å undersøke nøyaktigheten av visuelle analyser ble det gjennomført en systematisk studie der tre forsøkspersoner utførte ulike idrettsspesifikke bevegelser mens de ble filmet med tre kamera (forfra, fra siden og skrått bakfra). Forsøkspersonene var i tillegg utstyrt med 33 refleksmarkører festet på ulike landemerker på kroppen. Åtte infrarøde høyhastighetskameraer (ProReflex, Qualisys Inc., Gothenburg, Sweden.) filmet markørbevegelsene, hvilket gjorde det mulig å foreta nøyaktig måling av leddvinkler i tre dimensjoner. 3D-bevegelsesanalysesystemet var altså gullstandarden i dette forsøket.

Figur 2 Feilestimering i knefleksjonsvinkel som funksjon av den reelle vinkelen, målt med 3D bevegelsesanalyse-systemet.

Resultatene viste at selv ikke erfarne forskere var i stand til å gi pålitelige estimater av leddvinkler. Knefleksjon ble underestimert med 19° i gjennomsnitt (Fig 2). En vesentlig implikasjon av dette funnet er at vi må være ytterst forsiktige når vi tolker resultater fra studier basert på visuell analyse. Mao. kan vi ikke med sikkerhet vite at korsbåndskadene skjer med strakt kne. Figur 2 viser faktisk at i situasjoner der analysatorene estimerte 30° knefleksjon, slik tilfellet ofte er i analyser av skadesituasjoner, var den reelle fleksjonsvinkelen større enn 60°!

Utvikling av en ny, forbedret metode
Som en følge av de dårlige resultatene ved visuell analyse var det behov for å utvikle nye metoder som er mer nøyaktige og mindre basert på subjektive vurderinger. For å kunne gjøre mer omfattende biomekaniske analyser var det også ønskelig å utvikle en metode som kan produsere kontinuerlige estimater av leddvinkler og posisjoner. Et litteratursøk viste at slike metoder var utviklet (15; 16). Imidlertid viste disse seg å være uegnede for bruk i skadevideoene, ettersom de forutsatte f.eks. stillestående kamera, klær med fargekoder og liknende forenklinger for å fungere. I tillegg var automatisk rekonstruksjon prioritert på bekostning av nøyaktighet. Av denne grunn var det nødvendig å utvikle en ny metode for 3D rekonstruksjon av bevegelser i skadesituasjoner.

Løsningen på problemet ble å benytte en skjelettmodell som manuelt kunne justeres slik at den matchet personen på videoen. Denne metoden baserer seg på en kommersielt tilgjengelig programvare Poser® 4 Pro Pack (Curious Labs, Inc., Santa Cruz, California, USA). I denne programvaren er det mulig å importere video fra opp til 4 videokamera. Man kan også lage modeller av f.eks. en håndballbane med eksakt posisjon av gulvmerking, reklameskilt, mål osv. Det finnes også kameramodeller som replikerer et reelt kamera ved at det kan flyttes i rommet, roteres samt endre brennvidde (”zoome”).

Figur 3 Matching av skjelettmodellen og modellen av laboratoriet i tre kameravinkler (bildet oppe til venstre viser en original sekvens fra front kameraet. Poserkameramodellene har tilnærmet lik posisjon som de reelle kameraene og kan sees oppe til høyre (ett kamera) og nede til venstre (to kamera).

I matchingsprosessen er første steg å tilpasse modellen av bakgrunnen, slik at synsvinkelen blir korrekt (Fig 3). Dette foregår ved å justere hver av de 7 kameraparameterne (rotasjon om tre akser, forflytning langs tre akser samt zoom). Deretter tilpasses skjelettmodellen. Skjelettmodellen består av 21 segmenter (forfot, bakre fot, legg, lår, bekken, mage, bryst, nakke, hode, skulderbue, overarm, underarm og hånd). Alle leddene har tre frihetsgrader med unntak av sternoclavicular-, albu- og håndledd som har to frihetsgrader. I tillegg har bekkenet tre translasjonsfrihetsgrader som gjør oss i stand til å flytte skjelettmodellen rundt i rommet. Denne modellen tilpasses kroppsdimensjonene til personen som blir analysert ved å skalere de ulike segmentene på bakgrunn av antropometriske målinger. I de tilfellene der denne informasjonen ikke er tilgjengelig vil skalering av skjelettet bli en del av matchingsprosessen.

Ulempen med en manuell matching er at den er svært tidkrevende ettersom det kreves en ny match for hvert eneste videobilde. Imidlertid inneholder Poser en funksjon som interpolerer bevegelsen mellom to tidspunkter, hvilket betraktelig reduserer behovet for manuelle justeringer.

Validering av Poser-metoden
For å validere metoden ble den sammenliknet med en gullstandard som i dette tilfellet var et 3D bevegelsesanalysesystem i biomekanikk-labben ved Norges idrettshøgskole (17). En forsøksperson, utstyrt med 33 refleksmarkører, gjorde jogging og finter (Fig 3) som resulterte i totalt 7 matchinger for hver av de to bevegelsene (3 matchinger basert på kun ett kamera, 3 matchinger der to-og-to av kamerasekvensene ble kombinert og én matching der alle kameravinklene ble benyttet).

 
For å kunne sammenlikne resultatene fra Poser-videoanalysen med 3D-systemet var det nødvendig å ha lik definisjon av leddaksene. Disse beregningene ble gjort i programvaren Matlab. Her ble det også foretatt filtrering og beregning av leddsentre, treghetsparametere, massemidtpunkt, leddvinkler og andre viktige parametere.

Studien viste at det var mulig å rekonstruere bevegelsene i alle situasjonene. Det ble ikke funnet nevneverdige forskjeller mellom joggebevegelsen og den mer komplekse fintebevegelsen. Leddvinklene stemte godt overens for fleksjon/ekstensjon i både hofte og kne (Fig 4a & 4b), men estimatene fra videoanalysen lå noe høyere for knefleksjon og hofteabduksjon. Interne/eksterne rotasjonsvinkler varierte mest, men tatt i betraktning at hudbevegelse vil influere gullstandarden er det vanskelig å vite hvor nøyaktige estimatene reelt sett var.

Analyser av de enkelte segmentene viste at feilen i hoftevinkler hadde sin opprinnelse i matchingen av bekkenet. Dette er ikke overraskende ettersom bekkenets form gjør det betraktelig vanskeligere å vurdere orienteringen enn f.eks. lår og legg.

Hastighetene til massemidtpunktet ble klart bedre i de tilfellene der vinkelrette kameravinkler var tilgjengelige (Fig 4c). Dersom vi kun har kamerasekvenser rett forfra og bakfra er det svært vanskelig å få gode estimater på hastighet i anterior-posterior retning. Da er mao. et kamera fra siden nødvendig.

Anvendelse på korsbåndskader
 

Figur 5 Bildesekvens av en håndballskade. Spilleren vises ved fotisett (A), 40 ms senere (B) og 100 ms senere (C).

Det neste logiske skrittet var å teste hvorvidt metoden lot seg benytte også på reelle korsbåndskader utenfor labsituasjonen (18). En fire-kamera basketballvideo, en tre-kamera håndballvideo samt en ett-kamera video av en alpinist ble analysert ved hjelp av Posermetoden.  Håndballskaden skjedde idet spilleren utførte en høyre-venstre finte (Fig 5). Som vi ser av Fig 6, kunne modellen av håndballbanen samt skjelettmodellen tilpasses bakgrunnen i alle kameravinklene.

Den visuelle matchen var meget god, hvilket innebar at alle ledd i tillegg til hender, føtter og hode var relativt stabile relativt til videobildet. Matchen var imidlertid noe bedre for underekstremiteten enn for overekstremiteten.

Figur 6 Matching av håndballskade, basert på tre kameravinkler. Figuren nede til høyre (Poser camera) viser skjelettmodellen fra en alternativ synsvinkel.

 
 
Den horisontale hastigheten ved fotisett ble estimert til 3.6 m/s, og fintevinkelen var omlag 67°. Ved fotisett var hofta flektert 19°, abdusert 26° og ekstern rotert 16°. Kneet var flektert 11°, mens rotasjon og varus-valgusvinkelen var nøytral. I løpet av 40 ms etter fotisett forble hoftefleksjonen konstant mens knefleksjonen var økt til 31°. Samtidig hadde det utviklet seg en betydelig valgusvinkel på 15°. En tilsvarende valgusutvikling ble også sett for basketballskaden.

Begrensninger og muligheter
Til tross for at matchen ser god ut er det ingen garanti for at aksiale rotasjoner for segmentene er korrekte. Siden vår evne til å vurdere aksiale rotasjoner avhenger av hvor godt vi kan se f.eks overflatestruktur og landemerker er det viktig å ha god videokvalitet. Dårlig bildekvalitet, tildekking av kroppsdeler pga klær eller motspillere, mangel på synlige landemerker eller kun en videovinkel kan medføre suboptimale matchinger.

For å øke påliteligheten av videoanalyser vil det være nødvendig å analysere flere situasjoner. Rent visuelt ser det ut til at flere av skadesituasjonene er påfallende like. For eksempel har valguskollaps blitt rapportert hyppig i flere studier (12; 19). Dersom flertallet av analysene viser liknende resultater vil det være større grunn til å stole på slike analyser. Et sentralt punkt vil være å bestemme når skaden inntreffer. Dette kan potensielt oppnåes ved å vurdere utviklingen av abnormal leddkonfigurasjon eller plutselige forandringer i leddvinkler. Nye, foreløpige analyser av håndball og basketballskader tyder på at tidlig valgusutvikling kan være et viktig karakteristika ved korsbåndskader. Videre vil det være svært spennende å se ved hvilke knefleksjonsvinkler skadene inntreffer. Dersom det for eksempel viser seg, slik det kan tyde på fra resultatene i Krosshaug og medarbeidere (19), at noen av skadene inntreffer ved fleksjonsvinkler dypere enn 30-40° vil det bety at quadriceps drawer ikke er årsaken her.

Heldigvis tilsier dagens teknologiske utvikling at kvaliteten på videoanalyser vil bli bedre. Utvikling av høydefinisjons-video, og høy kameradekning på idrettsarrangementer gir høyere oppløsning og langt mer detaljerte bilder. Det er faktisk eksempler på videoer der man med det blotte øyet kan observere translasjon av tibia relativt til femur i en skadesituasjon. Slike videobilder åpner nye muligheter for videoanalyser.

Nye anvendelser

Poser-metoden har også nylig blitt benyttet til å analysere mekanismer for ankelovertråkk (20). I forbindelse med et biomekanisk forsøk av fintebevegelser fikk en forsøksperson en lateral ligamentskade. Analysen viste at skadesituasjonen skilte seg fra de normale fintene med utvikling av en kraftig inversjon og intern rotasjon etter 100-120 ms (Fig 7). Videre viste det seg, ganske overraskende, at skaden skjedde i ca 10-20° dorsalfleksjon. Dette funnet står i kontrast til tidligere hypoteser om at overtråkk skjer i betydelig plantarfleksjon. Disse hypotesene baserer seg imidlertid i stor grad på kadaverstudier og ikke på analyser av reelle skadesituasjoner.

Figur 7 Leddbevegelse ved et lateralt ankelovertråkk. Den stiplede vertikale linjen indikerer fotisettet.

Fremtidsperspektiver
Til tross for at ulike treningsprogrammer og andre tiltak har vist seg å kunne forebygge korsbåndsskader er det utvilsomt mulig å forbedre disse dersom man kjenner årsakene til skadene bedre. Videoanalyse er en essensiell metode for å forstå skademekanismer, og det er nødvendig å ta steget fra enkle visuelle analyser til mer sofistikerte og objektive metoder for å sikre pålitelige data. Det neste steget nå er naturligvis å gjøre flere analyser ved hjelp av Posermetoden. I tillegg til analysene som gjøres på Norges idrettshøgskole er metoden i dag i bruk ved universiteter i Japan, Hong Kong, Australia og Tyskland, hvilket gir håp om at vi snart kan ta ytterligere skritt i forståelsen av skademekanismene. Imidlertid vil det være nødvendig å kombinere videoanalyse med andre forskningstilnærminger som f.eks. matematisk- eller kadaversimulering og kliniske studier for å kartlegge i detalj hvilke belastninger som virker på leddet.

Referanser 

   1.   van Mechelen, W., Hlobil, H., Kemper, H. C., (1992). Incidence, severity, aetiology and prevention of sports injuries. A review of concepts. Sports Medicine 14, 82-99.

   2.   Meeuwisse, W. H., (1994). Athletic injury etiology: Distinguishing between interaction and confounding. Clinical Journal of Sport Medicine 4, 171-175.

   3.   Bahr, R., Krosshaug, T., (2005). Understanding the injury mechanisms – a key component to prevent injuries in sport. Br J Sports Med 39, 324-329.

   4.   Renstrom, P., Ljungqvist, A., Arendt, E., Beynnon, B., Fukubayashi, T., Garrett, W., Georgoulis, T., Hewett, T. E., Johnson, R., Krosshaug, T., Mandelbaum, B., Micheli, L., Myklebust, G., Roos, E., Roos, H., Schamasch, P., Shultz, S., Werner, S., Wojtys, E., Engebretsen, L., (2008). Non-contact ACL injuries in female athletes: an International Olympic Committee current concepts statement. Br J Sports Med 42, 394-412.

   5.   Yu, B., Garrett, W. E., (2007). Mechanisms of non-contact ACL injuries. Br J Sports Med 41 Suppl 1, i47-i51.

   6.   Quatman, C. E., Hewett, T. E., (2009). The ACL Injury Controversy: Is "Valgus Collapse" a Sex-Specific Mechanism? Br J Sports Med.

   7.   Krosshaug, T., Andersen, T. E., Olsen, O. E., Myklebust, G., Bahr, R., (2005). Research approaches to describe the mechanisms of injuries in sports: limitations and possibilities. Br J Sports Med 39, 330-339.

   8.   Andersen, T. E., Larsen, O., Tenga, A., Engebretsen, L., Bahr, R., (2003). Football incident analysis: a new video based method to describe injury mechanisms in professional football. Br.J Sports Med 37, 226-232.

   9.   Andersen, T. E., Floerenes, T. W., Arnason, A., Bahr, R., (2004). Video analysis of the mechanisms for ankle injuries in football. American Journal of Sports Medicine 32, 69S-79S.

10.   Andersen, T. E., Arnason, A., Engebretsen, L., Bahr, R., (2004). Mechanisms of head injuries in elite football. Br.J Sports Med 38, 690-696.

11.   Ettlinger, C. F., Johnson, R. J., Shealy, J. E., (1995). A method to help reduce the risk of serious knee sprains incurred in alpine skiing. American Journal of Sports Medicine 23, 531-537.

12.   Olsen, O. E., Myklebust, G., Engebretsen, L., Bahr, R., (2004). Injury mechanisms for anterior cruciate ligament injuries in team handball: a systematic video analysis. American Journal of Sports Medicine 32, 1002-1012.

13.   Boden, B. P., Dean, G. S., Feagin, J. A., Jr., Garrett, W. E., Jr., (2000). Mechanisms of anterior cruciate ligament injury. Orthopedics 23, 573-578.

14.   Cochrane, J. L., Lloyd, D. G., Buttfield, A., Seward, H., McGivern, J., (2007). Characteristics of anterior cruciate ligament injuries in Australian football. J Sci.Med Sport 10, 96-104.

15.   Halvorsen, K., (2002). Model-based Methods in Motion Capture. Department of Information Technology, University of Uppsala, Sweden.

16.   Trewartha, G., Yeadon, M. R., Knight, J. P., (2001). The sensitivity of video tracking performance to the simulated environment, the human body model and the image matching algorithm. Proceedings of the International Symposium on Computer Simulation in Biomechanics, July 5-6, Milano, Italy 187-192.

17.   Krosshaug, T., Bahr, R., (2005). A model-based image-matching technique for three-dimensional reconstruction of human motion from uncalibrated video sequences. Journal of Biomechanics 38, 919-929.

18.   Krosshaug, T., Slauterbeck, J. R., Engebretsen, L., Bahr, R., (2007). Biomechanical analysis of anterior cruciate ligament injury mechanisms: three-dimensional motion reconstruction from video sequences. Scand J Med Sci.Sports 17, 508-519.

19.   Krosshaug, T., Nakamae, A., Boden, B. P., Engebretsen, L., Smith, G., Slauterbeck, J. R., Hewett, T. E., Bahr, R., (2007). Mechanisms of anterior cruciate ligament injury in basketball: video analysis of 39 cases. Am J Sports Med 35, 359-367.