Wspomagana sztuczną inteligencją analiza zakresu ruchu u pacjentów z bólem krzyża

Ból krzyża (LBP) jest częstym problemem układu mięśniowo-szkieletowego, często spotykanym w populacji i może wystąpić w każdym wieku. Odpowiedzialny za utratę pełnego zdrowego roku zarówno w grupach wiekowych 10-24, jak i 50-74 lata, LBP powoduje znaczne straty osobiste i społeczne oraz zwiększa koszty opieki zdrowotnej.

W klasyfikacji bólu krzyża ból utrzymujący się do 6 tygodni definiuje się jako ostry, ból utrzymujący się od 6 do 12 tygodni jako podostry, a ból utrzymujący się dłużej niż 12 tygodni jako przewlekły ból krzyża (CLBP). .

Przewlekły LBP (CLBP) prowadzi do strachu przed ruchem, powodując, że pacjenci ograniczają swoje codzienne czynności i uczestnictwo w życiu społecznym, aby uniknąć bólu. Siedzący tryb życia u pacjentów z LBP jest czynnikiem przyczyniającym się do przewlekłości choroby. Podczas gdy większość pacjentów z ostrym LBP wraca do zdrowia w ciągu kilku tygodni lub miesięcy, rokowanie dla pacjentów z przewlekłym bólem krzyża jest na ogół złe. U około jednej czwartej pacjentów odwiedzających placówki podstawowej opieki zdrowotnej rozwija się przewlekłe LBP.

Dlatego ważna jest identyfikacja czynników ryzyka przewlekłego LBP, zrozumienie populacji zagrożonej rozwojem przewlekłego LBP, identyfikacja osób wysokiego ryzyka oraz wdrożenie odpowiednich środków zapobiegawczych i terapeutycznych.

Kilka problemów układu mięśniowo-szkieletowego odegrało rolę jako czynniki ryzyka w rozwoju LBP, a identyfikacja i walidacja tych czynników ryzyka może zapewnić potencjalny mechanizm umożliwiający skuteczne leczenie LBP. Dokładna identyfikacja problemów układu mięśniowo-szkieletowego i czynników ryzyka może zapewnić mechanizm zapobiegający rozwojowi LBP i zmniejszający obciążenie społeczno-ekonomiczne związane z tą chorobą.

Uczenie maszynowe (ML) to dyscyplina naukowa, która wykorzystuje algorytmy komputerowe do identyfikowania wzorców w dużych ilościach danych i prognozowania nowych zbiorów danych na podstawie tych wzorców. ML tworzy modele przewidywania nieznanych danych na podstawie danych historycznych i pozwala wybrać najodpowiedniejszy algorytm. Dodatkowo algorytmy ML mogą wyodrębniać zmienne, które przyczyniają się do przewidywania zmiennej docelowej i różnią się od tradycyjnych metod statystycznych zwiększeniem dokładności przewidywań przyszłych danych. ML wykazała doskonałą skuteczność w zwiększaniu wartości predykcyjnej obrazowania medycznego i pooperacyjnych wyników klinicznych.

Celem pracy jest porównanie zakresu ruchu w stawach u pacjentów z bólami krzyża i osób zdrowych oraz wykrycie różnic w tych zakresach za pomocą metod analitycznych wspomaganych sztuczną inteligencją.