Prediksjon av sykdomsprogresjon ved hjelp av maskinlæring hos ungdommer med idiopatisk skoliose

Bakgrunn og problemoversikt Ungdommelig idiopatisk skoliose (AIS) er en progressiv muskel- og skjelettlidelse preget av en tredimensjonal deformasjon av ryggraden som oppstår i ungdomsårene.
Diagnosen stilles vanligvis med en Cobb-vinkel over 10° og tilstedeværelse av aksial rotasjon.
Selv om den eksakte årsaken fortsatt er ukjent, inkluderer ledende teorier vevsavvik (muskelfibre, benvolum), svekket spinal biomekanikk (asymmetrisk benvekst) og nevrologiske faktorer (asymmetrisk kortikal tykkelse, cerebral lateralization og forstyrrelser i kroppsskjema).

Den progressive naturen til AIS, spesielt den høye risikoen for progresjon ved pubertetens inntreden, kompliserer klinisk beslutningstaking.
Behandlingen er tradisjonelt delt inn i tre stadier:

Observasjon og trening: For Cobb-vinkler mellom 10°-25°.

Trening og korsett: For Cobb-vinkler mellom 25°-45°.

Kirurgi: For Cobb-vinkler over 45°.

Til tross for disse retningslinjene skaper uforutsigbar progresjon av sykdommen og vansker med behandlingsetterlevelse betydelige dilemmaer.
Spesielt for tilfeller på grensen til kirurgisk indikasjon står klinikere overfor utfordringen med å velge mellom umiddelbar kirurgi eller konservativ overvåking.
For tiden finnes det ingen definitiv metode for å forutsi progresjon, og pasienter følges vanligvis opp med 6 måneders intervaller.
I løpet av disse intervallene kan pasientens tilstand forbli stabil eller forverres betydelig.

Videre anbefaler retningslinjer bruk av korsett i gjennomsnitt 18 timer per dag, ofte i flere år.
Dette kravet er fysisk og psykisk krevende for ungdom, noe som fører til dårlig etterlevelse på grunn av estetiske bekymringer, funksjonelle begrensninger og hudirritasjon.
Manglende evne til å forutsi progresjon fører ofte til overbehandling (unødvendig korsett) eller underbehandling (forsinket intervensjon), som begge utgjør risiko for pasientens langsiktige helse.

Radiologiske bekymringer Sykdomsprogresjon overvåkes via direkte radiografi (røntgen).
Imidlertid øker hyppig bildeundersøkelse livstidsrisikoen for kreft på grunn av kumulativ ioniserende stråling.
Spesielt rapporteres risikoen for brystkreft hos jenter med AIS å være omtrent syv ganger høyere enn i den friske befolkningen.
Motsatt risikerer man å gå glipp av vinduer for tidlig intervensjon ved å forlenge oppfølgingsintervallene.
En kunstig intelligens (AI)-modell som kan forutsi kurveprogresjon, kan optimalisere bildefrekvensen, sikre sikkerhet samtidig som klinisk effektivitet opprettholdes.

Mål og metodikk for studien

Hovedmålet med denne forskningen er å utvikle en maskinlæringsbasert modell for å forutsi Cobb-vinkelen etter et 12 ukers treningsintervensjon.
Modellen vil bruke omfattende basislinje- og etterbehandlingsdata, inkludert:

Demografiske og antropometriske data (alder, høyde, vekt, kjønn).

Kliniske vurderinger (Cobb-vinkel, Risser-score, trunkrotasjonsvinkel).

Funksjonelle og fysiske mål (Trunkmuskelstyrke, Maksimal Inspiratorisk og Ekspiratorisk Trykk [MIP/MEP], Biodex balansemålinger).

Visuelle vurderinger (Walter Reed Visual Deformity Scale [WRVAS]).

Forskningshypoteser

Primær hypotese: En maskinlæringsmodell trent på data før og etter trening kan forutsi Cobb-vinkelen ved slutten av en 12-ukers periode med både statistisk og klinisk nøyaktighet.

Sekundær hypotese: Ved å forutsi risikoen for progresjon (sannsynligheten for en økning i Cobb-vinkel), vil denne modellen bidra til å redusere unødvendige kirurgiske inngrep, overbehandling (korsett/kirurgi) og kumulativ røntgeneksponering.