通过人工智能对腰部疼痛进行基于证据和数据的分类:PREDICT-LBP研究的议定书

科学领域:

• 生物医学研究的研究.
• 肌肉骨健康 肌肉骨健康
• 疼痛管理 疼痛管理

背景情况:

• 非特异性腰部疼痛 (LBP) 缺乏个性化诊断方法,导致通用管理策略.
• 当前的诊断方法往往排除特定的原因,但未能有效地分类剩余的非特异性LBP病例.
• 需要一个数据驱动的,基于证据的分类系统来解决非特异性LBP的异质性.

研究的目的:

• 开发和验证一个个性化的诊断工具",预测证据驱动的低腰痛智能分类工具" (PREDICT-LBP),用于非特定的LBP.
• 根据多维疼痛相关因素将非特异性LBP患者分为不同的子组.
• 为针对性治疗策略提供基础,并改善非特异性LBP患者的治疗结果.

主要方法:

• 一项前性横截面研究,将300名非特异性LBP患者 (18-55岁) 与100名无疼痛参考患者进行比较.
• 综合收集数据,包括脊髓组织和中枢神经系统的MRI,心理社会因素和其他肌肉骨疼痛症状.
• 应用维度缩小,集群验证和模糊c-means集群用于子组分类.

主要成果:

• 预测-LBP项目将非特异性LBP患者分类为数据驱动的子组.
• 根据生物学,神经学和心理社会因素识别出不同患者的个人资料.
• 这项研究旨在为非特异性LBP建立个性化诊断方法.

结论:

• PREDICT-LBP项目代表了一种新的,个性化的诊断方法,用于非特异性腰部疼痛.
• 这种分类工具有可能得到广泛的临床采用,改善患者护理.
• 生成的证据将支持针对子组特定的LBP治疗的临床试验,从而有可能降低医疗保健成本.