Analýza rozsahu pohybu za pomoci umělé inteligence u pacientů s bolestí dolní části zad

Bolesti dolní části zad (LBP) jsou běžným muskuloskeletálním problémem, s nímž se populace často setkává a může se objevit v jakémkoli věku. LBP, která je odpovědná za ztrátu roku plného zdraví ve věkových skupinách 10-24 i 50-74 let, způsobuje značné osobní a sociální ztráty a zvyšuje náklady na zdravotní péči.

V klasifikaci bolesti dolní části zad je bolest, která přetrvává až 6 týdnů, definována jako akutní, bolest, která trvá 6–12 týdnů, je subakutní a bolest, která přetrvává déle než 12 týdnů, je považována za chronickou bolest dolní části zad (CLBP). .

Chronický LBP (CLBP) vede ke strachu z pohybu, což způsobuje, že pacienti omezují své každodenní aktivity a sociální účast, aby se vyhnuli bolesti. Sedavý způsob života u pacientů s LBP je faktorem, který přispívá k chronicitě onemocnění. Zatímco většina akutních pacientů s LBP se dobře zotaví během několika týdnů nebo měsíců, prognóza pro pacienty s chronickou bolestí dolní části zad je obecně špatná. Přibližně u jedné čtvrtiny pacientů navštěvujících zařízení primární péče se vyvine chronická LBP.

Proto je důležité identifikovat rizikové faktory chronického LBP, porozumět populaci ohrožené rozvojem chronického LBP, identifikovat vysoce rizikové jedince a zavést vhodná preventivní a terapeutická opatření.

Několik muskuloskeletálních problémů hrálo roli jako rizikové faktory ve vývoji LBP a identifikace a validace těchto rizikových faktorů může poskytnout potenciální mechanismus, jehož prostřednictvím lze LBP účinně léčit. Přesná identifikace muskuloskeletálních problémů a rizikových faktorů může poskytnout mechanismus, jak zabránit rozvoji LBP a snížit socioekonomickou zátěž spojenou s tímto stavem.

Strojové učení (ML) je vědecká disciplína, která využívá počítačové algoritmy k identifikaci vzorů ve velkém množství dat a na základě těchto vzorů předpovídá nové datové sady. ML vytváří modely pro predikci neznámých dat z historických dat a umožňuje nám vybrat nejvhodnější algoritmus. Algoritmy ML navíc mohou extrahovat proměnné, které přispívají k predikci cílové proměnné, a liší se od tradičních statistických metod ve zvýšení přesnosti budoucích předpovědí dat. ML prokázala vynikající výkon při zvyšování prediktivní hodnoty lékařského zobrazení a pooperačních klinických výsledků.

Cílem této studie je porovnat rozsah pohybu kloubů u pacientů s bolestí dolní části zad a zdravých jedinců a pomocí analytických metod s podporou umělé inteligence odhalit rozdíly v těchto rozsazích.