使用机器学习算法识别部疼痛患者部残疾的预测因素:一个横截面相关性研究

科学领域:

• 生物医学工程 生物医学工程
• 临床医学 临床医学
• 康复科学 康复科学 康复科学

背景情况:

• 部疼痛是一种常见的疾病,受疼痛强度,心理社会因素和身体功能的影响.
• 机器学习 (ML) 提供了根据部残疾对患者进行分类的潜力.
• 识别关键预测因素对于有效管理部残疾至关重要.

研究的目的:

• 通过临床发现,识别部疼痛患者部残疾的预测因素.
• 应用机器学习算法来分类部残疾水平.
• 调查临床变量与部残疾之间的关系.

主要方法:

• 评估了90名患有慢性部疼痛的参与者.
• 临床数据包括疼痛强度,部残疾指数,椎脊柱轮和轴骨肌肉表面电肌图.
• 机器学习模型 (MLP,LDA) 使用十倍交叉验证进行训练和验证;MANCOVA用于组比较.

主要成果:

• 多层感知器 (MLP) 实现了最高调整的R2 (0.768).
• 线性差异分析 (LDA) 显示了曲线下的最高ROC面积 (0.91).
• 在这两种模型中,疼痛强度是最重要的预测因素,效果大小很大 (0.568,p < 0.001).

结论:

• 疼痛强度是宫疼痛患者部残疾的主要预测因素.
• 机器学习模型有效地根据临床特征对部残疾进行分类.
• 建议针对疼痛管理的干预措施,以改善结果和减少部残疾.