AI-assisterad analys av rörelseomfång hos patienter med ländryggssmärta

Ländryggssmärta (LBP) är ett vanligt muskuloskeletalt problem som förekommer ofta i befolkningen och kan uppstå i alla åldrar. Ansvarig för förlusten av ett helt friskt år i både åldersgrupperna 10-24 och 50-74 år, orsakar LBP betydande personliga och sociala förluster och ökar sjukvårdskostnaderna.

I klassificeringen av ländryggssmärta definieras smärta som kvarstår i upp till 6 veckor som akut, smärta som varar mellan 6-12 veckor är subakut och smärta som kvarstår i mer än 12 veckor anses vara kronisk ländryggssmärta (CLBP). .

Kronisk LBP (CLBP) leder till rädsla för rörelse, vilket gör att patienter begränsar sina dagliga aktiviteter och socialt deltagande för att undvika smärta. En stillasittande livsstil hos LBP-patienter är en faktor som bidrar till sjukdomens kroniska karaktär. Medan de flesta akuta LBP-patienter återhämtar sig väl inom några veckor eller månader, är prognosen för patienter med kronisk ländryggssmärta i allmänhet dålig. Ungefär en fjärdedel av patienter som besöker primärvårdsinrättningar utvecklar kronisk LBP.

Därför är det viktigt att identifiera riskfaktorerna för kronisk LBP, förstå befolkningen som riskerar att utveckla kronisk LBP, identifiera högriskindivider och implementera lämpliga förebyggande och terapeutiska åtgärder.

Flera muskuloskeletala problem har spelat en roll som riskfaktorer i utvecklingen av LBP, och identifiering och validering av dessa riskfaktorer kan ge en potentiell mekanism genom vilken LBP effektivt kan behandlas. Att noggrant identifiera muskuloskeletala problem och riskfaktorer kan ge en mekanism för att förhindra utvecklingen av LBP och minska den socioekonomiska bördan som är förknippad med tillståndet.

Maskininlärning (ML) är en vetenskaplig disciplin som använder datoralgoritmer för att identifiera mönster i stora mängder data och göra förutsägelser om nya datamängder baserat på dessa mönster. ML skapar modeller för att förutsäga okända data från historiska data och låter oss välja den lämpligaste algoritmen. Dessutom kan ML-algoritmer extrahera variabler som bidrar till förutsägelsen av målvariabeln och skiljer sig från traditionella statistiska metoder för att förbättra noggrannheten i framtida dataförutsägelser. ML har visat utmärkta prestationer när det gäller att öka det prediktiva värdet av medicinsk bildbehandling och postoperativa kliniska resultat.

Syftet med denna studie är att jämföra ledernas rörelseomfång hos patienter med ländryggssmärta och friska individer, och att upptäcka skillnader i dessa områden med hjälp av artificiell intelligens-stödda analysmetoder.