Tekoälyavusteinen analyysi alaselkäkipuista kärsivien potilaiden liikeratojen välillä

Alaselkäkipu (LBP) on yleinen tuki- ja liikuntaelinongelma, jota kohdataan usein väestössä ja joka voi ilmaantua missä iässä tahansa. LBP, joka on vastuussa täyden terveen vuoden menetyksestä sekä 10-24- että 50-74-vuotiaiden ikäryhmissä, aiheuttaa merkittäviä henkilökohtaisia ​​ja sosiaalisia menetyksiä ja lisää terveydenhuoltokustannuksia.

Alaselkäkipujen luokituksessa enintään 6 viikkoa jatkuva kipu määritellään akuutiksi, 6-12 viikkoa kestävä kipu on subakuutti ja yli 12 viikkoa kestävä kipu on krooninen alaselkäkipu (CLBP). .

Krooninen LBP (CLBP) johtaa liikkumisen pelkoon, mikä saa potilaat rajoittamaan päivittäistä toimintaansa ja sosiaalista osallistumistaan ​​kivun välttämiseksi. Istuva elämäntapa LBP-potilailla on tekijä, joka edistää taudin kroonistumista. Vaikka useimmat akuutit LBP-potilaat toipuvat hyvin muutamassa viikossa tai kuukaudessa, kroonista alaselkäkipua sairastavien potilaiden ennuste on yleensä huono. Noin neljännekselle perusterveydenhuollon laitoksissa käyvistä potilaista kehittyy krooninen LBP.

Siksi kroonisen LBP:n riskitekijöiden tunnistaminen, kroonisen LBP:n riskissä olevan väestön ymmärtäminen, korkean riskin yksilöiden tunnistaminen ja asianmukaisten ennaltaehkäisevien ja terapeuttisten toimenpiteiden toteuttaminen ovat tärkeitä.

Useat tuki- ja liikuntaelinongelmat ovat vaikuttaneet riskitekijöinä LBP:n kehittymiseen, ja näiden riskitekijöiden tunnistaminen ja validointi voi tarjota potentiaalisen mekanismin, jolla LBP:tä voidaan hoitaa tehokkaasti. Tuki- ja liikuntaelinten ongelmien ja riskitekijöiden tarkka tunnistaminen voi tarjota mekanismin, joka estää LBP:n kehittymisen ja vähentää sairauteen liittyvää sosioekonomista taakkaa.

Koneoppiminen (ML) on tieteellinen tieteenala, joka käyttää tietokonealgoritmeja tunnistamaan kuvioita suurista tietomääristä ja tekemään ennusteita uusista tietojoukoista näiden mallien perusteella. ML luo malleja tuntemattomien tietojen ennustamiseksi historiallisista tiedoista ja antaa meille mahdollisuuden valita sopivin algoritmi. Lisäksi ML-algoritmit voivat poimia muuttujia, jotka vaikuttavat kohdemuuttujan ennustamiseen ja jotka eroavat perinteisistä tilastomenetelmistä parantamalla tulevaisuuden dataennusteiden tarkkuutta. ML on osoittanut erinomaista suorituskykyä lääketieteellisen kuvantamisen ja leikkauksen jälkeisten kliinisten tulosten ennustusarvon lisäämisessä.

Tämän tutkimuksen tavoitteena on verrata alaselkäkipupotilaiden ja terveiden henkilöiden nivelten liikeratoja ja havaita näiden liikeratojen eroja tekoälyn tukemilla analyysimenetelmillä.