AI-assistert analyse av bevegelsesområde hos pasienter med korsryggsmerter

Korsryggsmerter (LBP) er et vanlig muskel- og skjelettproblem som ofte oppstår i befolkningen og kan oppstå i alle aldre. Ansvarlig for tapet av et helt friskt år i både aldersgruppene 10-24 og 50-74 år, forårsaker LBP betydelige personlige og sosiale tap og øker helsekostnadene.

I klassifiseringen av korsryggsmerter er smerter som vedvarer i opptil 6 uker definert som akutte, smerter som varer mellom 6-12 uker er subakutt, og smerter som vedvarer i mer enn 12 uker regnes som kroniske korsryggsmerter (CLBP). .

Kronisk LBP (CLBP) fører til frykt for bevegelse, noe som får pasienter til å begrense sine daglige aktiviteter og sosial deltakelse for å unngå smerte. En stillesittende livsstil hos LBP-pasienter er en faktor som bidrar til sykdommens kroniske karakter. Mens de fleste akutte LBP-pasienter kommer seg godt i løpet av noen få uker eller måneder, er prognosen for pasienter med kroniske korsryggsmerter generelt dårlig. Omtrent en fjerdedel av pasienter som besøker primærhelsetjenesten utvikler kronisk LBP.

Derfor er det viktig å identifisere risikofaktorene for kronisk LBP, forstå befolkningen i fare for å utvikle kronisk LBP, identifisere høyrisikoindivider og implementere passende forebyggende og terapeutiske tiltak.

Flere muskel- og skjelettproblemer har spilt en rolle som risikofaktorer i utviklingen av LBP, og identifisering og validering av disse risikofaktorene kan gi en potensiell mekanisme som LBP effektivt kan behandles gjennom. Nøyaktig identifisering av muskel- og skjelettproblemer og risikofaktorer kan gi en mekanisme for å forhindre utvikling av LBP og redusere den sosioøkonomiske belastningen forbundet med tilstanden.

Maskinlæring (ML) er en vitenskapelig disiplin som bruker datamaskinalgoritmer for å identifisere mønstre i store datamengder og lage spådommer på nye datasett basert på disse mønstrene. ML lager modeller for å forutsi ukjente data fra historiske data og lar oss velge den mest passende algoritmen. I tillegg kan ML-algoritmer trekke ut variabler som bidrar til prediksjonen av målvariabelen, og skiller seg fra tradisjonelle statistiske metoder for å forbedre nøyaktigheten til fremtidige dataprediksjoner. ML har vist utmerket ytelse når det gjelder å øke den prediktive verdien av medisinsk bildebehandling og postoperative kliniske utfall.

Målet med denne studien er å sammenligne leddets bevegelsesområde hos pasienter med korsryggsmerter og friske individer, og å oppdage forskjeller i disse områdene ved hjelp av kunstig intelligens-støttede analysemetoder.