AI-assisteret analyse af bevægelsesområde hos patienter med lænderygsmerter

Lænderygsmerter (LBP) er et almindeligt muskuloskeletalt problem, der ofte ses i befolkningen og kan forekomme i alle aldre. Ansvarlig for tabet af et helt sundt år i både aldersgrupperne 10-24 og 50-74 år, forårsager LBP betydelige personlige og sociale tab og øger sundhedsomkostningerne.

I klassificeringen af ​​lænderygsmerter defineres smerter, der varer i op til 6 uger, som akutte, smerter, der varer mellem 6-12 uger, er subakutte, og smerter, der varer ved i mere end 12 uger, betragtes som kroniske lænderygsmerter (CLBP). .

Kronisk LBP (CLBP) fører til frygt for bevægelse, hvilket får patienter til at begrænse deres daglige aktiviteter og sociale deltagelse for at undgå smerte. En stillesiddende livsstil hos LBP-patienter er en faktor, der bidrager til sygdommens kroniske karakter. Mens de fleste akutte LBP-patienter kommer sig godt inden for få uger eller måneder, er prognosen for patienter med kroniske lænderygsmerter generelt dårlig. Omtrent en fjerdedel af patienter, der besøger primære plejefaciliteter, udvikler kronisk LBP.

Derfor er det vigtigt at identificere risikofaktorerne for kronisk LBP, forstå befolkningen med risiko for at udvikle kronisk LBP, identificere højrisikoindivider og implementere passende forebyggende og terapeutiske foranstaltninger.

Adskillige muskuloskeletale problemer har spillet en rolle som risikofaktorer i udviklingen af ​​LBP, og identifikation og validering af disse risikofaktorer kan give en potentiel mekanisme, hvorigennem LBP kan behandles effektivt. Nøjagtig identifikation af muskuloskeletale problemer og risikofaktorer kan give en mekanisme til at forhindre udvikling af LBP og reducere den socioøkonomiske byrde forbundet med tilstanden.

Machine learning (ML) er en videnskabelig disciplin, der bruger computeralgoritmer til at identificere mønstre i store mængder data og lave forudsigelser på nye datasæt baseret på disse mønstre. ML skaber modeller til at forudsige ukendte data fra historiske data og giver os mulighed for at vælge den mest passende algoritme. Derudover kan ML-algoritmer udtrække variabler, der bidrager til forudsigelsen af ​​målvariablen, og adskiller sig fra traditionelle statistiske metoder til at forbedre nøjagtigheden af ​​fremtidige dataforudsigelser. ML har vist fremragende præstationer i at øge den prædiktive værdi af medicinsk billeddannelse og postoperative kliniske resultater.

Formålet med denne undersøgelse er at sammenligne leddets bevægelsesområde hos patienter med lænderygsmerter og raske individer og at opdage forskelle i disse områder ved hjælp af kunstig intelligens-understøttede analysemetoder.