歩行中の股関節筋力と関節モーメントの推定は、従来は筋骨格シミュレーションに依存していました。このアプローチは情報量が豊富である一方で、計算に時間がかかり、臨床現場への応用が困難という課題がありました。今回の研究は、この問題を解決すべく、下肢の歩行運動学データから直接これらの股関節ダイナミクスパラメータを予測する深層学習フレームワークを開発しました。 研究チームは健康な成人60名を対象に、メトロノーム誘導の3つの異なる歩行速度条件下でデータを収集しました。両側の下肢10個の関節角度を入力として使用し、OpenSimで導出された股関節筋力と股関節モーメントを参照出力としました。LSTM、Transformer、Mambaの3つの代表的なシーケンスモデルを、統一されたプロトコルの下で訓練・評価しました。最良のモデルは、その後、大腿骨頭壊死（ONFH）の患者9名からなる外部コホートに対して、再訓練なしで直接テストされました。 健康被験者のベンチマークテストでは、Transformerが股関節筋力予測（RMSE = 1.33 N/kg、MAE = 0.57 N/kg、R² = 0.819）と股関節モーメント予測（RMSE = 0.11 Nm/kg、MAE = 0.07 Nm/kg、R² = 0.862）の両方で最良の被験者レベル平均性能を達成しました。複数の歩行速度にわたって同様の優位性が認められています。ゼロショット外部検証では、TransformerはONFH患者における予測能力を中程度の精度で保持しました。これらの知見は、歩行運動学から股関節ダイナミクスを推定することの実現可能性を支持し、Transformerを強力なベースラインとして位置づけ、臨床応用前に、より幅広い病理学的検証と汎化能の向上の必要性を強調しています。