低急性腰痛における障害の機械学習ベースの予測:臨床的および心理社会的決定因子に関するプライマリケア研究
José Alberto Benítez-Andrades1, Luis Laballos-González2, Lorena Pujante-Otalora2
1Advanced Learning for Biomedical Analytics (ALBA) Laboratory, Escuela de Ingenierías Industrial, Informática y Aeroespacial, Universidad de León, Campus de Vegazana s/n, León, 24071, Spain. jbena@unileon.es.
BMC medical informatics and decision making
|February 21, 2026
まとめ
機械学習は,亜急性腰痛 (LBP) 患者の機能障害と痛みを正確に予測します. 臨床的および心理的社会的データを用いた意思決定ツリーモデルは,個別化されたプライマリケアのための早期のリスク分層化に役立ちます.
科学分野:
- バイオメディカル・インフォマティクス
- クリニカル・インフォマティックス
- リハビリテーション医学は,
背景:
- 亜急性腰痛 (LBP) は,障害と医療費の広範な原因です.
- 機能的回復が悪いリスクのある個人を早期に特定することは,プライマリケアにおいて極めて重要です.
- LBPの結果を予測する機械学習のアプリケーションは,まだ十分に研究されていない.
研究 の 目的:
- 低急性LBP患者における機能障害と痛みの強度を予測するための機械学習モデルを開発し,評価する.
- LBPの結果の主要な臨床的および心理的社会的な予測要因を特定する.
- プライマリケアにおける理学療法におけるこれらのモデルの可能性を評価する.
主な方法:
- 亜急性LBPを患った92人の成人患者を対象とした見通し観察研究.
- ベースライン評価には,障害,痛みの強度,自己効能,動きの恐怖,心理的社会的リスクが含まれていました.
- Gaussian Naive Bayes,Complement Naive Bayes,k-Nearest Neighbors,および決定樹の分類器が使用されました.
- モデルは,オーバーサンプリング技術による,またはそれなしの,内在的,外在的,および組み合わせた特徴セットで訓練されました.
主要な成果:
- 組み合わせた機能セットを使った決定ツリー分類器は,最高精度 (0.81) とF1スコア (0.80) を達成しました.
- ベースラインの痛みの強さは障害を予測し,ベースラインの障害は痛みの強さを予測した.
- 心理的社会的要因 (自己効能,運動恐怖症,心理的社会的リスク) は中等な予測値を有し,年齢と性別は最小の影響を及ぼした.
結論:
- 機械学習モデル,特に決定樹は,亜急性LBPにおける機能障害と痛みを正確に予測することができます.
- これらのモデルは,定期的に収集された臨床的および心理的社会的データを活用しています.
- この発見は,パーソナライズされたプライマリケア理学療法のための臨床的意思決定支援ツールの開発を支援します.
