Approche multidimensionnelle de la prévention, du diagnostic et du suivi de la blessure au genou du sportif

Multidimensional approach to the prevention, diagnosis and follow-up of knee injuries in athletes

• Auteur / Autrice : Clément Lipps Léné
• Direction : Thierry Weissland, Julien Frère
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
• Date : Soutenance le 29/11/2024
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire de l'intégration du matériau au système (Talence, Gironde)
• Jury : Président / Présidente : Emilie Simoneau
• Jury : Examinateurs / Examinatrices : Olivier Buttelli, Julien Morlier
• Jury : Rapporteurs / Rapporteuses : Emilie Simoneau, Pascal Édouard

Mots clés

Mots clés contrôlés

Réadaptation

Genou

Sportifs -- Lésions et blessures

Biomécanique

Intelligence artificielle

Mots clés libres

Intelligence artificielle

Biomécanique

Blessure au genou

Réhabilitation

Artificial intelligence

Biomecanics

Knee injuries

Rehabilitation

Résumé

Les blessures du genou constituent les pathologies du membre inférieur les plus fréquentes dans la pratique sportive compétitive ou de loisir. Les suites post-traumatismes conduisent à des baisses de performances et à des arrêts de pratique. Par ailleurs, bien que des recommandations précises existent en matière de prévention, le taux de récidive avec rupture de la plastie ligamentaire ou d’une lésion controlatérale, reste très élevé. Le traitement de ces blessures représente donc un enjeu important en matière de retour à la pratique sportive et en coût de santé publique. A partir d’une plateforme expérimentale en réseau développée entre les universités de Bordeaux, Grenoble et Marseille, et rassemblant des compétences complémentaires en matière d’analyse du mouvement, de traitement du signal et de modélisation mathématique, ce projet de thèse visait à améliorer la prévention des blessures du genou, au travers d’une approche multifactorielle. En s’appuyant sur une base de donnée de 96 individus construite durant le doctorat, nous avons fait l’hypothèse que la prise en compte de données multifactorielles relatives à la blessure (données biomécaniques et psychologiques) et leur intégration dans un modèle basé sur des algorithmes d’intelligence artificielle permettra de mieux suivre l’évolution de la blessure et sa récupération au cours du temps, afin de déterminer en particulier la période optimale pour la reprise de la pratique sportive. La première étude réalisée a permis de mettre en évidence la reproductibilité des données issues des tests réalisés. La seconde étude a permis de montrer qu’il était possible de classer, à partir d’un modèle d’intelligence artificielle et de données biomécaniques et psychologiques, des individus en fonction de leurs antécédents de blessure au genou. Enfin la troisième étude a montré qu’utiliser l’ensemble des points de mesure plutôt que des variables caractéristiques permettaient aux modèles d’intelligence artificielle d’obtenir de meilleures performances. Ainsi, l’ensemble de ces travaux met en évidence la capacité prédictive des mesures effectuées lors du protocole pour reconnaître des séquelles de blessure au genou. Enfin, l’utilisation d’algorithmes d’interprétabilité a permis dans les seconde et troisième étude d’identifier les variables fonctionnelles qui ont le plus influencé le modèle pour classer les individus. Ainsi, ce travail permet d’optimiser le moment du retour au sport ainsi que le processus de rééducation grâce à la reconnaissance de présence de séquelles de blessure au genou chez les individus et à l’identification de variables fonctionnelles à travailler en priorité.

Knee injuries are the most common lower limb pathologies in competitive or recreational sports. Post-trauma consequences lead to lower performances and pauses in activity. Moreover, despite specific prevention guidelines, the recurrence rate, whether from a rupture of the ligament graft or a contralateral injury, remains very high. Treating these injuries therefore represents a major challenge in terms of return to sports and public health costs.Based on an experimental network platform developed in collaboration between the universities of Bordeaux, Grenoble, and Marseille, which brings together complementary expertise in movement analysis, signal processing, and mathematical modeling, this thesis project aimed to improve knee injury prevention through a multifactorial approach. Relying on a database of 96 individuals built during the doctoral research, we hypothesized that accounting for multifactorial data related to injury (biomechanical and psychological data) and integrating them into a model based on artificial intelligence algorithms would allow better monitoring of injury progression and recovery over time, particularly to determine the optimal time for returning to sport. The first study highlighted the reproducibility of data obtained from the tests performed. The second study demonstrated that it is possible, using an artificial intelligence model and biomechanical and psychological data, to classify individuals based on their history of knee injury. Finally, the third study showed that using all measurement points rather than characteristic variables allowed artificial intelligence models to achieve better performance. Thus, all these studies highlight the predictive capability of the measurements made during the protocol to recognize knee injury sequelae. Additionally, the use of interpretability algorithms in the second and third studies allowed us to identify the functional variables that most influenced the models in classifying individuals.This work therefore optimizes the timing of return to sport and the rehabilitation process by recognizing the presence of knee injury sequelae in individuals and identifying the most important functional variables to work on.