Анализ диапазона движений с помощью искусственного интеллекта у пациентов с болью в пояснице

Боль в пояснице (БНС) — распространенная проблема опорно-двигательного аппарата, которая часто встречается среди населения и может возникнуть в любом возрасте. Ответственная за потерю полного здорового года жизни как в возрастных группах 10–24, так и в возрастных группах 50–74 лет, БЛП приводит к значительным личным и социальным потерям и увеличивает расходы на здравоохранение.

В классификации болей в пояснице боль, которая сохраняется до 6 недель, определяется как острая, боль, длящаяся от 6 до 12 недель, является подострой, а боль, которая сохраняется более 12 недель, считается хронической болью в пояснице (CLBP). .

Хроническая БНС (ХБНС) приводит к страху движения, заставляя пациентов ограничивать свою повседневную деятельность и социальное участие, чтобы избежать боли. Малоподвижный образ жизни у больных ББП является фактором, способствующим хронизации заболевания. Хотя большинство пациентов с острой БНС хорошо выздоравливают в течение нескольких недель или месяцев, прогноз для пациентов с хронической болью в пояснице обычно плохой. Примерно у четверти пациентов, посещающих учреждения первичной медико-санитарной помощи, развивается хроническая БНС.

Поэтому важно выявление факторов риска хронической БЛБ, понимание популяции, подверженной риску развития хронической БЛБ, выявление лиц с высоким риском и осуществление соответствующих профилактических и терапевтических мер.

Некоторые проблемы опорно-двигательного аппарата сыграли роль факторов риска в развитии БНС, и идентификация и подтверждение этих факторов риска могут обеспечить потенциальный механизм, с помощью которого можно эффективно лечить БНС. Точное выявление скелетно-мышечных проблем и факторов риска может обеспечить механизм предотвращения развития БНС и снижения социально-экономического бремени, связанного с этим заболеванием.

Машинное обучение (МО) — это научная дисциплина, которая использует компьютерные алгоритмы для выявления закономерностей в больших объемах данных и прогнозирования новых наборов данных на основе этих закономерностей. ML создает модели для прогнозирования неизвестных данных на основе исторических данных и позволяет нам выбрать наиболее подходящий алгоритм. Кроме того, алгоритмы МО могут извлекать переменные, которые способствуют прогнозированию целевой переменной, и отличаются от традиционных статистических методов повышением точности прогнозов будущих данных. Машинное обучение показало отличные результаты в повышении прогностической ценности медицинской визуализации и послеоперационных клинических результатов.

Целью данного исследования является сравнение диапазона движений в суставах у пациентов с болью в пояснице и здоровых людей, а также обнаружение различий в этих диапазонах с использованием методов анализа, поддерживаемых искусственным интеллектом.