Machine Learning-forudsigelse af sygdomsprogression ved adolesent idiopatisk skoliose

Baggrund og problemoversigt Adolescens idiopatisk skoliose (AIS) er en progressiv muskuloskeletal lidelse karakteriseret ved en tredimensionel deformation af rygsøjlen, der opstår i ungdomsårene.
Diagnosen stilles typisk ved en Cobb-vinkel over 10° og tilstedeværelse af aksial rotation.
Selvom den nøjagtige ætiologi forbliver ukendt, inkluderer førende teorier vævsabnormaliteter (muskelfibre, knoglevolumen), nedsat spinal biomekanik (asymmetrisk knoglevækst) og neurologiske faktorer (asymmetrisk kortikal tykkelse, cerebral lateralisation og forvrængninger i kropsskemaet).

Den progressive natur af AIS, især den høje risiko for forværring ved pubertetens begyndelse, komplicerer klinisk beslutningstagning.
Behandling opdeles traditionelt i tre faser:

Observation og træning: Til Cobb-vinkler mellem 10°-25°.

Træning og korselet: Til Cobb-vinkler mellem 25°-45°.

Kirurgi: Til Cobb-vinkler over 45°.

På trods af disse retningslinjer skaber uforudsigelig progression af sygdommen og vanskeligheder med behandlingscompliance betydelige dilemmaer.
Især i tilfælde på grænsen til kirurgisk indikation står klinikere over for udfordringen med at vælge mellem øjeblikkelig kirurgi eller konservativ overvågning.
I øjeblikket findes der ingen definitiv metode til at forudsige progression, og patienter overvåges typisk med 6-måneders intervaller.
I disse intervaller kan en patients tilstand forblive stabil eller forværres betydeligt.

Desuden anbefaler retningslinjerne brug af korselet i gennemsnit 18 timer om dagen, ofte i flere år.
Dette krav er fysisk og psykisk krævende for unge, hvilket fører til dårlig compliance på grund af æstetiske bekymringer, funktionelle begrænsninger og hudirritation.
Evnen til at forudsige progression fører ofte til overbehandling (unødvendigt korselet) eller underbehandling (forsinket intervention), hvilket begge udgør risici for patientens langsigtede helbred.

Radiologiske bekymringer Sygdomsprogression overvåges via direkte røntgen (rontgenbilleder).
Hyppig billeddannelse øger imidlertid den livslange risiko for kræft på grund af kumulativ ioniserende stråling.
Bemærkelsesværdigt er risikoen for brystkræft hos piger med AIS rapporteret at være cirka syv gange højere end hos den raske befolkning.
Omvendt risikerer man at gå glip af vinduer for tidlig intervention ved at forlænge opfølgningsintervallerne.
En kunstig intelligens (AI) model, der kan forudsige kurveprogression, kunne optimere billeddannelseshyppigheden, sikre sikkerhed og samtidig opretholde klinisk effekt.

Formål og metodologi i undersøgelsen

Det primære formål med denne forskning er at udvikle en maskinlæringsbaseret model til at forudsige Cobb-vinklen efter en 12-ugers træningsintervention.
Modellen vil bruge omfattende baseline og post-behandlingsdata, herunder:

Demografiske og antropometriske data (Alder, højde, vægt, køn).

Kliniske vurderinger (Cobb-vinkel, Risser-score, rotationsvinkel af truncus).

Funktionelle og fysiske målinger (Trunkus muskelstyrke, maksimalt inspiratorisk og eksspiratorisk tryk [MIP/MEP], Biodex balancemålinger).

Visuelle vurderinger (Walter Reed Visuel Deformitetsskala [WRVAS]).

Forskningshypoteser

Primær hypotese: En maskinlæringsmodel trænet på data fra før og efter træning kan signifikant forudsige Cobb-vinklen ved afslutningen af en 12-ugers periode med både statistisk og klinisk nøjagtighed.

Sekundær hypotese: Ved at forudsige risikoen for progression (sandsynligheden for en forøgelse af Cobb-vinklen) vil denne model bidrage til at reducere unødvendige kirurgiske indgreb, overbehandling (korsetebehandling/kirurgi) og kumulativ røntgenstråling.