Machine Learning Model Based on Structured Injury Features for Knee Mobility Discriminations after Traumatic Injury

doi:10.12116/j.issn.1004-5619.2024.241108

Abstract

Abstract:

Objective To extract structured injury features of knee trauma from forensic case files, and to calculate the degree of joint mobility limitation based on the injury features using a machine learning model combined with the voting method. Methods A total of 490 forensic cases involving knee trauma leading to motor dysfunction were retrospectively collected and randomly divided into training and testing sets at an 8:2 ratio. Structured injury features were extracted and systematically organized and stored using a MySQL database. Six machine learning models, including support vector classification, random forest, logistic regression, gradient boosting, k- nearest neighbors, and extreme gradient boosting, were applied to select the optimal models. Using a 25% loss of joint range of motion as the threshold, a model for classifying the severity of knee functional impairment was established by combining the selected models with a voting method. The best models were first selected based on their average AUC values, and further validated using 5-fold cross-validation. The SHAP method was used to analyze and interpret the prediction results of the optimal model. In addition, 57 cases were collected as an external validation to evaluate the model's generalization ability. Results The average AUC values for support vector machine, random forest, and extreme gradient boosting all exceeded 0.9. In 5-fold cross-validation, each of the three individual models achieved an average AUC value of 0.89. After integrating these three models using the voting method, the average AUC of 5-fold cross-validation increased to 0.91. Feature contribution plots and decision plots generated based on Shapley values clearly illustrated the model's performance, and the evaluation metrics on the external validation set were comparable to those from internal validation. Conclusion The developed machine learning model based on structured injury features demonstrates good performance in classifying the severity of motor dysfunction following knee trauma, with high model interpretability and strong generalization capability.

Key words: forensic clinics, joint range of motion, machine learning, data structuring, knee joint

CLC Number:

Run-ting DOU, Shun CHENG, Xin ZHOU, Xing YE, Zhi-min WANG, Guang-hui HONG, Qi ZHANG, Qing XIA, Yi-wen SHEN. Machine Learning Model Based on Structured Injury Features for Knee Mobility Discriminations after Traumatic Injury[J]. Journal of Forensic Medicine, 2026, 42(1): 8-16.

Figures/Tables 11

References 30

[1]	SIOURAS A， MOUSTAKIDIS S， GIANNAKIDIS A， et al. Knee injury detection using deep lear-ning on MRI studies： A systematic review[J]. Diagnostics（Basel），2022，12（2）：537. doi：10.3390/diagnostics12020537 .
[2]	GANGAVALLI A K， NWACHUKU C O. Management of distal femur fractures in adults： An overview of options[J]. Orthop Clin North Am，2016，47（1）：85-96. doi：10.1016/j.ocl.2015.08.011 .
[3]	KEIL L G， MULLIS B H， III P T， et al. Proximal tibia fracture dislocations： Management and outcomes of a severe and under-recognized injury[J]. Injury，2022，53（3）：1260-1267. doi：10.1016/j.injury. 2021.09.035 .
[4]	HERZOG G A， SERRANO-RIERA R， SAGI H C. Traumatic proximal tibiofibular dislocation： A marker of severely traumatized extremities[J]. J Orthop Trauma，2015，29（10）：456-459. doi：10.1097/BOT.0000000000000348 .
[5]	LOGERSTEDT D S， EBERT J R， MACLEOD T D， et al. Effects of and response to mechanical loading on the knee[J]. Sports Med，2022，52（2）：201-235. doi：10.1007/s40279-021-01579-7 .
[6]	王辉，李箭，邹宏，等. 膝关节骨软骨损伤评估及治疗方法[J].中国修复重建外科杂志，2019，33（11）：1384-1388.
	doi：10.7507/1002-1892.201903085.WANG H， LI J， ZOU H， et al. Evaluation and treatment of osteochondral injury of knee joint[J]. Zhongguo Xiufu Chongjian Waike Zazhi，2019，33（11）：1384-1388.
[7]	YIN Q D， WANG J B， GU S J， et al. Clinical observation of C3-type patellar fractures treated by operation methods with or without a turned-over patella[J]. Injury，2019，50（4）：966-972. doi：10.1016/j.injury.2019.03.028 .
[8]	KAREKAR H J， AKHUJ A， RAMTEKE S U. Physical rehabilitation post-surgery in a distal femur fracture post removal of implant[J]. Cureus，2023，15（12）：e51358. doi：10.7759/cureus.51358 .
[9]	DAMODARAN B D， SALIM S， VARGESE S M. Performance evaluation of MySQL and MongoDB databases[J]. Int J Cybern Inform，2016，5（2）：387-394. doi：10.5121/ijci.2016.5241 .
[10]	董纪英，燕志伟，梁正玉. SQLite、MySQL、PostgreSQL关系型数据库管理系统比较[J].电脑编程技巧与维护，2014（14）：55-58. doi：10.3969/j.issn.1006-4052.2014.14.023.DONG J Y ，
	YAN Z W， LIANG Z Y. A comparison of relational database management systems： SQLite vs MySQL vs postgre SQL[J]. Diannao Biancheng Jiqiao Yu Weihu，2014（14）：55--58.
[11]	方雅婷，兰琼，解通，等. 人工智能技术时代法医学科面临的新机遇与挑战[J].法医学杂志，2020，36（1）：77-85.
	doi：10.12116/j.issn.1004-5619.2020.01.016.FANG Y T， LAN Q， XIE T， et al. New opportunities and challenges for forensic medicine in the era of artificial intelligence technology[J]. Fayixue Zazhi，2020，36（1）：77-85.
[12]	窦润庭，陈邵文，叶星，等. 基于ConSinGAN模型生成多样的膝关节畸形愈合虚拟图像[J].中国法医学杂志，2025，40（S1）：7-12.
	doi：10.13618/j.issn.1001-5728.2025.S.001.DOU R T， CHEN S W， YE X， et al. Synthesi-zing diverse virtual images of knee deformity hea-ling using the ConSinGAN model[J]. Zhongguo Fayixue Zazhi，2025，40（S1）：7-12.
[13]	TOURNOIS L， TROUSSET V， HATSCH D， et al. Artificial intelligence in the practice of forensic medicine： A scoping review[J]. Int J Legal Med，2024，138（3）：1023-1037. doi：10.1007/s00414-023-03140-9 .
[14]	PATHIRANNAHALAGE I， VIDANAPATHIRANA M， SUBASHINGHE A. Artificial intelligence for forensic medicine[J]. Med-Leg J Sri Lank，2022，10（2）：17. doi：10.4038/mljsl.v10i2.7469 .
[15]	MEENA T， ROY S. Bone fracture detection using deep supervised learning from radiological images： A paradigm shift[J]. Diagnostics，2022，12（10）：2420. doi：10.3390/diagnostics12102420 .
[16]	XIE Y L， LI X M， CHEN F X， et al. Artificial intelligence diagnostic model for multi-site fracture X-ray images of extremities based on deep convolutional neural networks[J]. Quant Imaging Med Surg，2024，14（2）：1930-1943. doi：10.21037/qims-23-878 .
[17]	宰超，张玲莉，何方刚. 133 例膝关节损伤的法医学鉴定分析[J].法医学杂志，2020，36（5）：688-690，698.
	doi：10.12116/j.issn.1004-5619.2020.05.015.ZAI C， ZHANG L L， HE F G. Forensic analysis of 133 cases of knee injuries[J]. Fayixue Zazhi，2020，36（5）：688-690，698.
[18]	SENEL A， SERT S， AKTAS M A， et al. Patterns of orthopedic injuries associated with increa-sing e-scooter-related trauma： A retrospective observational study with a 4-year evaluation from a tertiary center in Istanbul， Turkey[J]. Medicine （Baltimore），2024，103（46）：e40609. doi：10.1097/MD. 0000000000040609 .
[19]	WANG Q， LI K H， XU C Y， et al. Predicting two-year return-to-sport failure after medial patellofemoral ligament reconstruction in patellar dislocation patients with bone abnormalities[J]. J Orthop Surg Res，2024，19（1）：766. doi：10.1186/s13018-024-05253-2 .
[20]	AHMAD T， MUHAMMAD Z A， ZEHRA F. Effect of patient factors and procedure on proximal tibia fracture recovery - A retrospective analysis[J]. Pak J Med Sci，2024，40（10）：2281-2286. doi：10.12669/pjms.40.10.9154 .
[21]	KWAK Y H， KO Y J， KWON H， et al. Application of a machine learning and optimization method to predict patellofemoral instability risk factors in children and adolescents[J]. Knee Surg Sports Traumatol Arthrosc，2025，33（2）：487-499. doi：10.1002/ksa.12372 .
[22]	SIDDIQUE S， HAQUE M A， GEORGE R， et al. Survey on machine learning biases and mitigation techniques[J]. Digital，2024，4（1）：1-68. doi：10.3390/digital4010001 .
[23]	AN Q， RAHMAN S， ZHOU J， et al. A comprehensive review on machine learning in healthcare industry： Classification， restrictions， opportunities and challenges[J]. Sensors （Basel），2023，23（9）：4178. doi：10.3390/s23094178 .
[24]	FORTIER L M， ADELSTEIN J M， SINKLER M A， et al. Patellar tendon restoration techniques： A systematic review of outcomes for repair and reconstruction methods[J]. Eur J Orthop Surg Traumatol，2024，34（8）：3827-3845. doi：10.1007/s00590-024-04 078-3 .
[25]	AZIZ S， KHAN N， DINA T K， et al. Clinical and functional outcome of traumatic osteochondral fracture in adolescent patella[J]. J Pak Med Assoc，2024，74（8）：1508-1510. doi：10.47391/JPMA.9782 .
[26]	ZHANG J Y， LAI S K， LI J Q， et al. Early postoperative rapid rehabilitation yields more fa-vorable short‒term outcomes in patients undergoing patellar realignment surgery for recurrent patellar dislocation： A prospective randomized controlled study[J]. Am J Sports Med，2024，52（9）：2205-2214. doi：10.1177/03635465241254524 .
[27]	XUE A Y， QI J Z， XIE X， et al. Solving the data sparsity problem in destination prediction[J]. The VLDB J，2015，24：219-243. doi：10.1007/s00778-014-0369-7 .
[28]	OLADEJI L O， WORLEY J R， CRIST B D. Age-related variances in patients with tibial plateau fractures[J]. J Knee Surg，2020，33（6）：611-615. doi：10.1055/s-0039-1683893 .
[29]	ALLEY M C， KAIN M， MITCHELL S， et al. Anterior hook plating of patella fractures： A biomechanical analysis and clinical series[J]. J Orthop Trauma，2023，37（6）：e258-e263. doi：10.1097/BOT.0000000000002565 .
[30]	HESSMANN M H， BUHL M， FINKEMEIER C， et al. Suprapatellar nailing of fractures of the tibia[J]. Oper Orthop Traumatol，2020，32（5）：440-454. doi：10.1007/s00064-020-00649-9 .

特征名	数据类型	含义
年龄	连续	被鉴定人接受鉴定时的年龄，要求为成年人
摄片间隔天数	连续	被鉴定人首次摄片距离鉴定前最近一次摄片经过的时间，以月为单位
骨折类型	分类	线性骨折或粉碎性骨折
是否移位	分类	原发性损伤骨折断端是否移位
是否累及关节面	分类	骨折是否累及胫骨平台或髌股关节面
是否经手术治疗	分类	被鉴定人骨折后是否接受过手术治疗
骨折愈合情况	分类	分为正常愈合、轻度畸形愈合、严重畸形愈合
骨折部位	分类	骨折及所累及的骨性解剖结构
末次内置物	分类	末次摄片时内固定是否在位

特征名	数据类型	含义
年龄	连续	被鉴定人接受鉴定时的年龄，要求为成年人
摄片间隔天数	连续	被鉴定人首次摄片距离鉴定前最近一次摄片经过的时间，以月为单位
骨折类型	分类	线性骨折或粉碎性骨折
是否移位	分类	原发性损伤骨折断端是否移位
是否累及关节面	分类	骨折是否累及胫骨平台或髌股关节面
是否经手术治疗	分类	被鉴定人骨折后是否接受过手术治疗
骨折愈合情况	分类	分为正常愈合、轻度畸形愈合、严重畸形愈合
骨折部位	分类	骨折及所累及的骨性解剖结构
末次内置物	分类	末次摄片时内固定是否在位

模型	交叉验证	AUC值	准确率	精确率	灵敏度	特异度	约登指数	F1值
SVC	1	0.90	0.83	0.93	0.78	0.90	0.68	0.85
	2	0.90	0.88	0.94	0.86	0.90	0.76	0.90
	3	0.90	0.86	0.93	0.84	0.90	0.74	0.88
	4	0.90	0.88	0.95	0.84	0.94	0.78	0.89
	5	0.87	0.83	0.91	0.80	0.87	0.67	0.85
RF	1	0.88	0.83	0.93	0.78	0.90	0.68	0.85
	2	0.89	0.83	0.91	0.80	0.87	0.67	0.85
	3	0.89	0.80	0.90	0.76	0.87	0.63	0.83
	4	0.92	0.85	0.93	0.82	0.90	0.72	0.87
	5	0.88	0.84	0.93	0.80	0.90	0.70	0.86
XGBoost	1	0.88	0.83	0.89	0.82	0.83	0.66	0.86
	2	0.91	0.86	0.90	0.88	0.83	0.72	0.89
	3	0.87	0.79	0.88	0.76	0.84	0.60	0.82
	4	0.92	0.85	0.90	0.86	0.84	0.70	0.88
	5	0.88	0.83	0.93	0.78	0.90	0.68	0.85

模型	交叉验证	AUC值	准确率	精确率	灵敏度	特异度	约登指数	F1值
SVC	1	0.90	0.83	0.93	0.78	0.90	0.68	0.85
	2	0.90	0.88	0.94	0.86	0.90	0.76	0.90
	3	0.90	0.86	0.93	0.84	0.90	0.74	0.88
	4	0.90	0.88	0.95	0.84	0.94	0.78	0.89
	5	0.87	0.83	0.91	0.80	0.87	0.67	0.85
RF	1	0.88	0.83	0.93	0.78	0.90	0.68	0.85
	2	0.89	0.83	0.91	0.80	0.87	0.67	0.85
	3	0.89	0.80	0.90	0.76	0.87	0.63	0.83
	4	0.92	0.85	0.93	0.82	0.90	0.72	0.87
	5	0.88	0.84	0.93	0.80	0.90	0.70	0.86
XGBoost	1	0.88	0.83	0.89	0.82	0.83	0.66	0.86
	2	0.91	0.86	0.90	0.88	0.83	0.72	0.89
	3	0.87	0.79	0.88	0.76	0.84	0.60	0.82
	4	0.92	0.85	0.90	0.86	0.84	0.70	0.88
	5	0.88	0.83	0.93	0.78	0.90	0.68	0.85

模型	AUC值	准确率	精确率	灵敏度	特异度
SVC	0.89±0.01	0.85±0.02	0.93±0.01	0.83±0.03	0.90±0.02
RF	0.89±0.02	0.83±0.02	0.92±0.01	0.79±0.02	0.89±0.02
XGBoost	0.89±0.02	0.83±0.03	0.90±0.02	0.82±0.05	0.85±0.03
投票法集成模型	0.91±0.01	0.84±0.01	0.92±0.01	0.82±0.02	0.88±0.02