用于儿童脑瘫的实时肌骨替代模型：可信度试点研究

实时肌骨（MSK）替代模型可以支持脑瘫（CP）儿童的个性化康复，但其可信度取决于按受试者的评估、低推理延迟以及校准后的不确定性。我们开发了一种受试者条件化的因果神经替代模型，使用来自 OpenSim 的静态参数、时间序列关节运动学、真实肌肉容量以及仅用于训练的扰动。在一个包含 9 名儿童的真实儿童 CP 步态数据集中，我们对 6 名开发受试者采用留一受试者交叉验证，并在 3 名锁定测试受试者上对固定配置进行一次评估。该替代模型能够准确重建肌腱长度（开发验证中 R-square = 0.92，锁定受试者上约为 0.95；nRMSE < 8%），同时只需亚毫秒到数毫秒级的神经网络推理，远低于 100 ms 的交互式康复目标。相比之下，直接估计肌肉力在这种小规模、异质性较强的数据上仍然不稳定：汇总指标可能高估受试者内、逐肌肉的准确性。Monte Carlo 可信度试点进一步表明，仅传播 ±5% 的人体测量学和肌肉容量变化，会产生严重过度自信的名义 90% 区间（肌肉力覆盖率约 4%，MT-length 覆盖率低于 1%）。这些结果建立了一个无数据泄漏的评估与可信度框架，用于儿童 MSK 替代模型，同时也指出肌肉力建模和认识不确定性是面向临床可信数字孪生的下一步核心挑战。