REGISTRO DOI: 10.69849/revistaft/pa10202511091057
Maria Clara Barbosa De Alaíde; Raimunda Cardoso Dos Santos Costa; Tamiris Reis Siqueira De Sousa; Orientador: Msc. Emanuel Osvaldo De Sousa
RESUMO
A gonartrose do joelho, também denominada gonartrose, é uma afecção crônico- degenerativa caracterizada pela degeneração progressiva da cartilagem articular, com impacto significativo na funcionalidade e qualidade de vida dos pacientes. A integração de sistemas de Inteligência Artificial (IA) à área da saúde tem possibilitado o desenvolvimento de métodos diagnósticos e terapêuticos mais precisos e personalizados. Este estudo teve como objetivo analisar a utilização prática da IA na avaliação clínica e terapêutica da gonartrose do joelho, a partir de evidências científicas recentes. Trata-se de uma revisão bibliográfica integrativa, realizada nas bases de dados Medline (via Biblioteca Virtual em Saúde), SciELO e Google Scholar, abrangendo publicações entre 2020 e 2025. Foram incluídos 16 estudos que atenderam aos critérios de elegibilidade. Os resultados indicaram que algoritmos de machine learning e deep learning têm alcançado alta acurácia na detecção automatizada de alterações articulares, na predição da progressão da doença e na elaboração de protocolos de reabilitação personalizados. Observou-se ainda que a IA contribui para o suporte à decisão clínica e o acompanhamento fisioterapêutico, embora persistam desafios relacionados à padronização de dados, interpretabilidade dos modelos e validação multicêntrica. Conclui-se que a IA apresenta aplicabilidade crescente e promissora na abordagem da gonartrose, representando uma ferramenta potencial para aprimorar o diagnóstico, o prognóstico e o tratamento fisioterapêutico baseado em evidências.
Palavras-chave: Inteligência artificial. Fisioterapia. Gonartrose
ABSTRACT
Knee osteoarthritis, also known as gonarthrosis, is a chronic-degenerative disorder characterized by progressive deterioration of the articular cartilage, leading to pain, stiffness, and functional impairment. The incorporation of Artificial Intelligence (AI) into healthcare has enabled the development of more accurate and personalized diagnostic and therapeutic approaches. This study aimed to analyze the applicability of AI in the diagnosis and treatment of knee osteoarthritis based on recent scientific evidence. An integrative literature review was conducted in the Medline (via BVS), SciELO, and Google Scholar databases, covering publications from 2020 to 2025. Sixteen the inclusion criteria. The findings demonstrated that machine learning and deep learning algorithms achieved high accuracy in automated detection of joint alterations, prediction of disease progression, and development of personalized rehabilitation protocols. AI has also shown potential to support clinical decision-making and physiotherapeutic monitoring, although challenges remain regarding data standardization, model interpretability, and multicenter validation. It is concluded that AI presents growing and promising applicability in the management of gonarthrosis, representing a valuable tool to enhance diagnosis, prognosis, and evidence-based rehabilitation.
Keywords: Artificial intelligence. Physiotherapy.Gonarthrosis
1. INTRODUÇÃO
A articulação do joelho é a maior e uma das mais complexas do corpo humano, responsável por suportar grande parte do peso corporal e possibilitar movimentos essenciais como a flexão, extensão e rotações do membro inferior. Localizado entre o quadril e o tornozelo, o joelho possui três articulações principais: a tíbio-femoral medial, a tíbio-femoral lateral e a patelo-femoral. Essa complexidade estrutural, aliada aos altos níveis de carga e força suportados, torna o joelho vulnerável a lesões ósseas e de tecidos moles, como ligamentos, cartilagens e meniscos, resultando frequentemente em disfunções articulares (Hassebrock et al., 2020; Innocenti, Galbusera, 2022)1,2.
A gonartrose do joelho, ou gonartrose, é uma patologia crônico-degenerativa que afeta diretamente as estruturas articulares, especialmente a cartilagem, causando seu desgaste progressivo devido a um desequilíbrio entre a formação e a degradação dos componentes da matriz cartilaginosa. Essa condição resulta em dor crônica, rigidez, limitação dos movimentos e, consequentemente, em significativa perda da qualidade de vida. Fatores como estresse mecânico repetitivo, alterações bioquímicas locais e predisposição genética são determinantes para o desenvolvimento e progressão da doença (Hassebrock et al., 2020; Shtroblia et al., 2025)1,3.
Estudos epidemiológicos indicam que a prevalência da gonartrose aumenta consideravelmente a partir da quinta e sexta décadas de vida, associando-se também ao sobrepeso e a fatores hormonais, o que eleva sua incidência em mulheres. A consequência clínica mais evidente é a limitação funcional, que impacta diretamente nas atividades diárias, configurando a gonartrose como um importante problema de saúde pública. Embora seja uma doença incurável, o manejo clínico visa aliviar os sintomas, retardar a progressão e melhorar a funcionalidade articular (Shtroblia et al., 2025)3.
Na prática fisioterapêutica, diferentes recursos terapêuticos vêm sendo aplicados para minimizar os efeitos da gonartrose. Exercícios resistidos e protocolos específicos de cinesioterapia destacam-se por seu papel no fortalecimento da musculatura ao redor do joelho, proporcionando maior estabilidade articular e redução da dor. De modo complementar, a combinação de técnicas manuais e recursos eletroterapêuticos como ultrassom, laser, TENS e corrente russa mostra-se eficaz para otimizar a mobilidade e aliviar a dor articular. A intervenção fisioterapêutica deve ser contínua e ajustada às necessidades individuais de cada paciente para potencializar os benefícios do tratamento (Batista, Morais, 2025; Kitagawa, et al., 2025)4,5.
Recentemente, A adoção de tecnologias baseadas em Inteligência Artificial (IA) tem promovido progressos expressivos no setor da saúde, na avaliação e no tratamento da gonartrose do joelho. Modelos de machine learning e redes neurais do tipo convolucional vêm sendo aplicados para análise detalhada de imagens radiográficas, permitindo diagnósticos mais precoces e precisos, muitas vezes superiores à interpretação humana convencional. Adicionalmente, sistemas baseados em IA possibilitam o monitoramento remoto do paciente, fornecendo feedbacks em tempo real durante a prática de exercícios terapêuticos, o que aumenta a aderência e a qualidade da reabilitação (Neuvition, 2024; Gonçalves et al., 2024) 6,7.
A personalização do tratamento por meio dessas tecnologias permite adaptar protocolos fisioterapêuticos considerando o histórico clínico e a resposta individual do paciente, promovendo decisões clínicas mais objetivas e eficazes. Contudo, o avanço da IA na prática clínica exige capacitação dos profissionais para seu uso ético, seguro e eficiente, aliado à necessidade de salvaguardar a proteção das informações clínicas sensíveis dos pacientes. Essa convergência entre terapias tradicionais e tecnologias emergentes tem o potencial de otimizar o cuidado e melhorar substancialmente a qualidade de vida dos pacientes com gonartrose (Santos et al., 2025)8.
Cabe destacar, ainda, a relevância da fisioterapia no manejo da gonartrose do joelho, visto que essa área atua de forma direta na restauração da função articular, na reeducação do movimento e na prevenção de incapacidades. As abordagens terapêuticas da fisioterapia favorecem para o controle da dor, o aprimoramento da capacidade funcional e a promoção da independência nas atividades de vida diária, configurando-se como componente essencial no processo de recuperação funcional e na melhoria da qualidade de vida dos indivíduos acometidos por essa patologia (Somaiya., et al., 2024; Wang et al., 2025a)9,10.
Assim, este estudo tem como objetivo analisar a aplicabilidade e os resultados do uso da IA no diagnóstico e tratamento da gonartrose do joelho, com base em evidências científicas recentes. Busca-se compreender de que forma essas tecnologias vêm sendo aplicadas no diagnóstico, monitoramento e prognóstico da gonartrose, descrevendo as principais abordagens de aprendizado de máquina utilizadas e discutindo seus benefícios e limitações relatados na literatura.
Dessa forma, elaborou-se a seguinte questão norteadora: Como a Inteligência Artificial tem sido aplicada no diagnóstico e tratamento da gonartrose?
3. METODOLOGIA
A metodologia adotada nesse estudo corresponde a uma Revisão Integrativa da Literatura (RIL), cuja finalidade é reunir e avaliar criticamente as evidências disponíveis acerca de uma temática. Essa abordagem metodológica possibilita a síntese do conhecimento existente e a identificação de lacunas em pesquisas sobre o tema.(Cabral et al., 2023; Hosseini et al,.2024)11,12.
A questão de pesquisa foi estruturada com base na estratégia PICo (População, Interesse e Contexto), conforme recomendado pelo Joanna Briggs Institute (Aromataris et al., 2024)13. Assim, definiu-se como:
- População (P): pacientes com diagnóstico de gonartrose do joelho (gonartrose);
- Interesse (I): aplicabilidade da IA e do aprendizado de máquina no diagnóstico, monitoramento e tratamento da gonartrose;
- Contexto (Co): ambiente clínico, incluindo consultas médicas, exames de imagem e práticas fisioterapêuticas.
A seguir, a Tabela 1 apresenta a estratégia de busca utilizada nas principais bases de dados, de forma sistematizada:
Tabela 1 – Estratégia de busca nas bases de dados
Fonte: Elaborado pelos autores (2025), com base na estratégia de busca nas bases de dados.
A seleção dos estudos ocorreu em três etapas sucessivas: leitura dos títulos e resumos para verificar a relevância do tema; leitura integral dos artigos selecionados, com extração das informações pertinentes; e síntese qualitativa dos resultados, organizados em quatro categorias temáticas:1-aplicações diagnósticas da IA na gonartrose; 2- IA no suporte à decisão clínica e prognóstico; 3- IA aplicada à reabilitação e fisioterapia e 4- Limitações, desafios e perspectivas futuras. Foram incluídos estudos que abordassem a aplicação da IA no diagnóstico, acompanhamento ou tratamento da gonartrose, publicados nos últimos cinco anos (2020 a 2025), disponíveis em texto completo, em português ou inglês, e com acesso gratuito nas bases de dados, garantindo a inclusão de evidências recentes e relevantes para a prática fisioterapêutica contemporânea. Foram excluídos artigos duplicados, estudos de caso, protocolos, revisões e aqueles sem relação direta com o tema. A análise foi realizada sob enfoque descritivo e interpretativo, priorizando a compreensão qualitativa dos achados. Considerando que esta investigação é uma revisão baseada exclusivamente em dados de domínio público e sem envolvimento direto de seres humanos, este estudo dispensa aprovação de Comitê de Ética em Pesquisa, conforme a Resolução nº 510/2016 do Conselho Nacional de Saúde (Conselho Nacional de Saúde, 2016)14.
4. RESULTADOS
O fluxo completo de seleção dos estudos está representado no Diagrama PRISMA (Page et al., 2021)15 (Figura 1), que demonstra todas as etapas do processo desde a identificação inicial até a inclusão final dos artigos na revisão.
Figura 1 – Fluxograma (adaptado) de seleção dos estudos segundo o Preferred Reporting Items for Systematic Reviews and Meta-Analyses – PRISMA. Teresina-PI, Brasil, 2025.
Fonte: Fluxograma (adaptado) de seleção dos estudos segundo o Preferred Reporting Items for Systematic Reviews and Meta-Analyses – PRISMA
O processo de identificação e seleção dos artigos seguiu as diretrizes do PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), adaptadas para revisões integrativas.
Inicialmente, foram identificados 174 registros nas bases eletrônicas de dados, sendo 117 na MEDLINE via BVS, 1 na SciELO e 56 no Google Acadêmico. Após a aplicação dos filtros de tempo (últimos cinco anos) e dos critérios de inclusão previamente definidos, 36 registros foram mantidos para triagem inicial.
Durante essa etapa, foram excluídos estudos duplicados (n = 1), além de quatro artigos após leitura de título e resumo, dois após leitura apenas do título, dois estudos de revisão, um estudo de caso e um protocolo de pesquisa. Dessa forma, 25 estudos foram selecionados para leitura na íntegra.
Após a leitura completa, 14 artigos foram excluídos por não responderem aos objetivos da pesquisa, resultando em uma amostra final composta por 16 estudos que atenderam aos critérios de elegibilidade e foram incluídos na análise qualitativa. A seguir, apresenta-se o quadro sinóptico com os principais achados desses estudos, destacando métodos utilizados, resultados obtidos e sua relação direta com a aplicabilidade da IA na análise clínica e manejo da gonartrose do joelho entre 2020 e 2025:
Quadro 1 – Aplicabilidade da IA na Gonartrose (2020–2025)
Legenda: CNN – Convolutional Neural Network; SVM – Support Vector Machine; RF – Random Forest; ML – Machine Learning; AUC – Area Under the Curve; RM – Ressonância Magnética; RX – Radiografia; LASSO – Least Absolute Shrinkage and Selection Operator; KNN – K-Nearest Neighbors; MFAC – Multivariate Factor Analysis Clustering; DEC – Deep Embedded Clustering; TNF – Tumor Necrosis Factor; LSTM – Long Short-Term Memory; WGCNA – Weighted Gene Co-expression Network Analysis.
Fonte: Elaborado pelos autores (2025), com base nos estudos selecionados da revisão integrativa.
Os 16 estudos analisados demonstram ampla aplicabilidade da IA na gonartrose, com foco em diagnóstico por imagem, prognóstico clínico, descoberta de biomarcadores e personalização terapêutica. Os resultados mostram acurácia média superior a 85% em modelos de machine learning e deep learning, e tendência de integração entre dados clínicos, genéticos e funcionais, com benefícios diretos para a fisioterapia baseada em evidências. Persistem, contudo, desafios quanto à validação multicêntrica, à interpretação dos algoritmos e à incorporação clínica padronizada (Fan et al.; 2024; Chen et al., 2025)21,22.
5. DISCUSSÃO
Segundo as evidências reunidas nesse estudo, observa-se que a aplicação da IA na gonartrose do joelho tem se expandido significativamente nos últimos anos, abrangendo desde métodos diagnósticos automatizados até estratégias terapêuticas personalizadas. Para facilitar a compreensão e a análise crítica das evidências, os estudos foram organizados em quatro eixos temáticos: aplicações diagnósticas, suporte à decisão clínica e prognóstico, uso da IA na reabilitação fisioterapêutica e principais limitações e desafios identificados.
Categoria 1- Aplicações diagnósticas da IA na gonartrose
A integração de modelos computacionais no reconhecimento de padrões clínicos e radiológicos da gonartrose tem permitido avanços expressivos no diagnóstico da doença. Abordagens baseadas em machine learning e deep learning apresentam desempenho superior na detecção de alterações articulares, alcançando elevados índices de acurácia em tarefas de predição e classificação (Cinar, 2025; Zhai et al., 2025)16,19.
Ao comparar diferentes arquiteturas de aprendizado supervisionado, demonstrou-se que o modelo YOLOv8x-cls obteve 86,9% de precisão na identificação automática de gonartrose em radiografias, superando métodos tradicionais. Resultado semelhante foi descrito, com eficácia elevada das redes neurais convolucionais na triagem de pacientes candidatos à artroplastia, reforçando a aplicabilidade de algoritmos de visão computacional em ambientes clínicos (Costello et al., 2023; Cinar, 2025)16,27.
Foram avaliados dados cinemáticos com algoritmos Random Forest e Gradient Boosting, alcançando valores de AUC próximos a 1,0 para a detecção precoce da doença em atletas recreativos . Esses achados, somados aos de estudos que demonstraram correlação entre padrões de marcha e degradação da cartilagem, sugerem que sistemas de aprendizado automático podem aprimorar a análise funcional e identificar estágios iniciais da gonartrose com maior precisão (Hwang et al., 2025)17.
Categoria 2- IA no suporte à decisão clínica e prognóstico
A aplicação da IA na análise de dados clínicos e moleculares tem ampliado o entendimento dos mecanismos fisiopatológicos e da progressão da gonartrose. Estratégias de aprendizado supervisionado integradas a análises multiômicas foram utilizadas para identificar biomarcadores genéticos relevantes para a doença, contribuindo para a criação de modelos preditivos individualizados (Ma et al.,2025; Zhai et al., 2025)18,19.
Algoritmos de aprendizado supervisionado estimaram a progressão da gonartrose em intervalos de dois a cinco anos, com AUC de até 0,85, permitindo o planejamento de intervenções preventivas mais precisas. O modelo CatBoost apresentou AUC = 0,97 na predição de sarcopenia associada à gonartrose, evidenciando a correlação entre perda muscular e deterioração articular (Salis et al.,2024; Wang et al.,2025b)20,25.
Esses resultados evidenciam o potencial da IA como instrumento de apoio à decisão clínica, favorecendo o acompanhamento longitudinal e o manejo personalizado, especialmente quando combinada a dados fisiológicos e funcionais.
Categoria 3 – IA aplicada à reabilitação e fisioterapia
A incorporação da tecnologias inteligentes aos processos de reabilitação possibilita a criação de protocolos terapêuticos personalizados e sistemas de monitoramento baseados em sensores. Redes neurais recorrentes do tipo LSTM bidirecional foram aplicadas para prever o movimento articular em pacientes com gonartrose, apresentando alta correlação entre valores previstos e reais. Essa abordagem viabiliza o ajuste adaptativo dos exercícios pelo fisioterapeuta, com acompanhamento contínuo da evolução do paciente em tempo real (Tan et al., 2022)30.
De forma complementar, a integração de medidas de bioimpedância elétrica ao algoritmo Random Forest permitiu a classificação precisa dos diferentes graus de gonartrose. Por se tratar de um método não invasivo, essa abordagem amplia o potencial diagnóstico e o acompanhamento fisioterapêutico de maneira contínua e segura. Além de aprimorar a precisão das avaliações, essas aplicações reforçam a convergência entre fisioterapia e ciência de dados, consolidando um modelo de reabilitação fundamentado em métricas objetivas e aprendizado adaptativo (Muñoz et al., 2024)24.
Categoria 4 – Limitações, desafios e perspectivas futuras
Embora os resultados obtidos até o momento sejam promissores, a aplicação clínica da IA ainda enfrenta limitações metodológicas e operacionais. A robustez dos algoritmos depende diretamente da qualidade e da heterogeneidade dos dados empregados, exigindo conjuntos amostrais amplos para garantir desempenho generalizável. De modo complementar, a variabilidade fenotípica observada na gonartrose demanda modelos capazes de representar múltiplos perfis de pacientes, o que reforça a necessidade de validações multicêntricas e de colaboração internacional (Demanse et al., 2023; Fan et al., 2024; Zhao et al., 2024)22,23,29.
Outro ponto crítico refere-se à interpretabilidade dos algoritmos. Apesar do avanço de técnicas como SHAP e LIME, que aumentam a transparência das decisões automatizadas, ainda há necessidade de sistemas explicáveis e auditáveis. A ausência de padronização e de clareza nos critérios de predição pode limitar a confiança de profissionais da saúde na adoção dessas ferramentas (Fan et al., 2024; Chen et., 2025)21,22.
Portanto, os esforços futuros devem priorizar a criação de bancos de dados amplos e representativos, o aperfeiçoamento da explicabilidade dos modelos e a formação interdisciplinar de equipes que unam fisioterapeutas, engenheiros e cientistas da computação. Essas ações são fundamentais para garantir que as soluções baseadas em IA sejam seguras, éticas e clinicamente aplicáveis.
Em síntese os sistemas automatizados tem se mostrado uma ferramenta promissora para o diagnóstico, o prognóstico e a reabilitação da gonartrose do joelho. Modelos de aprendizado supervisionado e profundo alcançam níveis elevados de precisão em tarefas de classificação e previsão, e a integração de dados clínicos, genéticos e funcionais tem fortalecido a personalização terapêutica.
Apesar dos avanços, a implementação plena dessa tecnologia na prática clínica requer padronização metodológica, validação em diferentes populações e capacitação dos profissionais de saúde para a utilização ética e responsável dos sistemas inteligentes.
6. CONCLUSÃO
A revisão dos estudos evidenciou que a IA tem sido aplicada de forma efetiva no diagnóstico, monitoramento e prognóstico da gonartrose do joelho, com destaque para modelos de aprendizado supervisionado e profundo que permitem identificar padrões de progressão da doença e apoiar decisões terapêuticas individualizadas. No contexto da fisioterapia, essas ferramentas possibilitaram a personalização dos protocolos de exercício, o acompanhamento contínuo da função articular e a melhora da adesão do paciente ao tratamento, resultando em redução de dor, aumento da mobilidade e aprimoramento da função física.
Apesar do potencial observado, a consolidação clínica da IA depende de validação em diferentes populações, padronização metodológica e capacitação dos profissionais para uso seguro e ético. Esses achados confirmam a aplicabilidade da IA na prática fisioterapêutica e reforçam a necessidade de novos estudos interdisciplinares, que integrem tecnologias inteligentes e estratégias convencionais de reabilitação, visando otimizar a recuperação funcional de pacientes com gonartrose do joelho.
REFERÊNCIAS
1. Hassebrock JD, Gulbrandsen MT, Asprey WL et al. Knee ligament anatomy and biomechanics. Sports Med Arthrosc Rev. 2020;28(3):80–86.
2. Innocenti B, Galbusera F. Human Orthopaedic Biomechanics: Fundamentals, Devices and Applications. 1st ed. London: Academic Press; 2022. ISBN 978-0-12- 824481-4 (paperback); 978-0-12-824482-1 (eBook).
3. Shtroblia V, Petakh P, Kamyshna I, Halabitska I, Kamyshnyi O. Recent advances in the management of knee osteoarthritis: a narrative review. Front Med (Lausanne). 2025;12:1523027. DOI: 10.3389/fmed.2025.1523027. PMID: 39906596; PMCID: PMC11790583.
4. Batista VAS, Morais CR de. Efeitos dos exercícios de reabilitação em artrose bilateral de joelho: estudo de caso em paciente feminina de 52 anos. GETEC. 2025;25:108–134. ISSN 2238-4405.
5. Kitagawa T, Isaji Y, Sasaki D, Onishi K, Hayashi M, Okuyama W. Effectiveness of exercise therapy in patients with knee osteoarthritis: an overview of systematic reviews. BMJ Open. 2025;15(7):e093163. DOI: 10.1136/bmjopen-2024-093163. PMID: 40669904; PMCID: PMC12273085.
6. Neuvition. Software de monitoramento terapêutico remoto em fisioterapia. 2024.
7. Gonçalves FL, Souza HVP, Almeida FM et al. Use of Artificial Intelligence (AI Tools) in Image Diagnosis. Research, Society and Development. 2024;13(11).
8. Santos ACC, Mariano LMB, Araujo GAFB. Aplicações da inteligência artificial na fisioterapia: uma revisão integrativa. Ciências da Saúde. 2024;29(140). DOI: 10.69849/revistaft/ch10202411122157.
9. Somaiya KJ, Samal S, Boob MA. Physiotherapeutic intervention techniques for knee osteoarthritis: a systematic review. Cureus. 2024;16(3):e56817. DOI: 10.7759/cureus.56817.
10. Wang F, Wang L, Zhong L et al. Artificial Intelligence for Knee Osteoarthritis Care and Rehabilitation: A Systematic Review. Pain Manag Nurs. 2025.
11. Cabral MVA, Araújo JAC de, Sousa AM de et al. Análise dos aspectos gerais e as etapas da revisão de literatura integrativa para profissionais da saúde. Braz J Implantol Health Sci. 2023;5(4):2–1459.
12. Hosseini MS, Jahanshahloou F, Akbarzadeh MA, Zarei M, Vaez-Gharamaleki Y. Formulating research questions for evidence-based studies. J Med Surg Public Health. 2024;2:100046.
13 Aromataris E, Lockwood C, Porritt K et al., eds. JBI Manual for Evidence Synthesis. 2024.
14. Brasil. Conselho Nacional de Saúde. Resolução nº 510, de 7 de abril de 2016. Dispõe sobre normas aplicáveis a pesquisas em ciências humanas e sociais no Brasil. Diário Oficial da União. 2016 maio 24.
15. Page MJ et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. DOI: 10.1136/bmj.n71.
16. Cinar I. Comparative analysis of machine learning and deep learning algorithms for knee arthritis detection using YOLOv8 models. J Xray Sci Technol. 2025;33(3):565– 577. DOI: 10.1177/08953996241308770.
17. Hwang UJ, Chung KS, Ha SM. Clustering and classification of early knee osteoarthritis using machine-learning analysis of step-up and down test kinematics in recreational table tennis players. PeerJ Life Environ. 2025;13:e19471. DOI: 10.7717/peerj.19471.
18. Ma B, Wang X, Xu C, Xu Z, Zhang F, Cheng W. Identification of MEG3 and MAPK3 as potential therapeutic targets for osteoarthritis through multiomics integration and machine learning. Sci Rep. 2025;15(1):23240.
19. Zhai S, Wu R, Fan S et al. Screening of TNF signaling pathway-related genes in knee osteoarthritis (KOA) using WGCNA and machine learning. Medicine (Baltimore). 2025;104(33):e43849.
20. Wang Z, Zhou Y, Zeng X et al. An explainable machine learning-based prediction model for sarcopenia in elderly Chinese people with knee osteoarthritis. Aging Clin Exp Res. 2025;37(1):67.
21. Chen W, Zheng H, Ye BQ et al. Identification of biomarkers for knee osteoarthritis through clinical data and machine learning models. Sci Rep. 2025;15:1703. DOI: 10.1038/s41598-025-85945-9.
22. Fan Z, Song W, Ke Y, Jia L et al. XGBoost-SHAP-based interpretable diagnostic framework for knee osteoarthritis: a population-based retrospective cohort study. Arthritis Res Ther. 2024;26(1):213.
23. Zhao Z, Zhao M, Yang T et al. Identifying significant structural factors associated with knee pain severity in patients with osteoarthritis using machine learning. Sci Rep. 2024;14(1):14705.
24. Muñoz JD, Mosquera VH, Rengifo CF et al. Machine learning-based bioimpedance assessment of knee osteoarthritis severity. Biomed Phys Eng Express. 2024;10(4):045007. DOI: 10.1088/2057-1976/ad43ef.
25. Salis Z, Driban JB, McAlindon TE. Predicting the onset of end-stage knee osteoarthritis over two- and five-years using machine learning. Semin Arthritis Rheum. 2024;66:152433.
26. Cui T, Liu R, Jing Y, Fu J, Chen J. Development of machine learning models aiming at knee osteoarthritis diagnosing: an MRI radiomics analysis. J Orthop Surg Res. 2023;18(1):375.
27. Costello KE, Felson DT, Jafarzadeh SR et al. Gait, physical activity and tibiofemoral cartilage damage: a longitudinal machine learning analysis in the Multicenter Osteoarthritis Study. Br J Sports Med. 2023;57(16):1018–1024.
28. Houserman DJ, Berend KR, Lombardi AV, Fischetti CE, Duhaime EP, Jain A, Crawford DA. The viability of an artificial intelligence/machine learning prediction model to determine candidates for knee arthroplasty. J Arthroplasty. 2023;38(10):2075–2080. DOI: 10.1016/j.arth.2023.06.012.
29. Demanse D, Saxer F, Lustenberger P, Tankó LB et al. Unsupervised machine- learning algorithms for the identification of clinical phenotypes in the osteoarthritis initiative database. Semin Arthritis Rheum. 2023;58:152140.
30. Tan JS, Tippaya S, Binnie T et al. Predicting knee joint kinematics from wearable sensor data in people with knee osteoarthritis and clinical considerations for future machine learning models. Sensors (Basel). 2022;22(2):496. DOI: 10.3390/s22020496.
31. Zeng K, Hua Y, Xu J et al. Multicentre study using machine learning methods in clinical diagnosis of knee osteoarthritis. J Healthc Eng. 2021;2021:1765404.