Les modèles musculo-squelettiques permettent de déterminer les forces internes agissant lors des mouvements dynamiques, ce qui présente un intérêt clinique significatif, mais les méthodes traditionnelles peuvent souffrir de lenteur et nécessiter de grandes quantités de données d’entrée. Récemment, un intérêt s’est porté sur l’utilisation de l’apprentissage supervisé afin de construire des modèles approchés pour des processus à forte charge computationnelle, offrant des avantages en termes de rapidité et de flexibilité. Dans cette étude, nous utilisons un réseau de neurones profond pour apprendre la correspondance entre l’espace du mouvement et l’espace musculaire. Entraîné sur un ensemble de mesures cinématiques, cinétiques et électromyographiques provenant de 156 sujets lors de la marche, le réseau prédit des grandeurs de forces internes en bon accord avec celles obtenues par modélisation musculo-squelettique. Dans une série d’expériences indépendantes, l’entraînement sur les données des défis internationaux les plus connus pour évaluer les performances de modélisation, les compétitions Grand Challenge, produit des prédictions supérieures à celles des solutions gagnantes dans quatre des six épreuves. L’accélération computationnelle permet d’intégrer ce modèle dans un système de laboratoire permettant une estimation en temps réel des forces, tandis que l’analyse des réseaux de neurones entraînés fournit de nouvelles perspectives sur les relations au niveau de la population entre les facteurs cinématiques et cinétiques.