回到移动:机器学习和计算机视觉模型自动化非特异性腰部疼痛的临床分类,用于个性化管理
Thomas Hartley1, Yulia Hicks1, Jennifer L Davies2,3
1School of Engineering, Cardiff University, Cardiff, United Kingdom.
PloS one
|May 10, 2024
概括
这项研究开发了BACK-to-MOVE,一种使用视频分析进行非特异性腰部疼痛 (NSLBP) 分类的机器学习模型. 它实现了专家级准确性,潜在地改善了个性化的NSLBP康复.
科学领域:
- 生物医学工程 生物医学工程
- 计算机视觉 计算机视觉
- 康复科学 康复科学 康复科学
背景情况:
- 腰部疼痛 (LBP) 是全球导致残疾的主要原因.
- 非特定LBP (NSLBP) 管理受到复杂的分类系统的挑战.
- 机器学习和计算机视觉为特征NSLBP运动模式提供了新的途径.
研究的目的:
- 开发和评估一个机器学习模型,BACK-to-MOVE,用于分类NSLBP.
- 为了利用专家临床分类,脊柱运动数据和患者报告的结果措施 (PROMs) 进行模型培训.
- 评估模型在区分NSLBP亚型方面的表现.
主要方法:
- 收集了83名NSLBP患者在脊柱曲期间的同步视频和3D运动数据.
- 使用卷积神经网络 (CNN) 来从视频数据中估计姿势.
- 通过专家标签和交叉验证,训练并验证了BACK-to-MOVE分类器.
主要成果:
- 该模型在区分运动障碍 (MI) 和运动控制障碍 (MCI) 类别方面取得了高准确性 (93.98%).
- 姿势估计证明了对3D运动数据 (MSE 0.35度) 的强大标准有效性.
- 纳入PROMs对分类器的表现产生了负面影响.
结论:
- 这是第一个使用计算机视觉和机器学习与标准视频进行自动化NSLBP临床分类的研究.
- 回到移动模型的准确性与专家的共识相美.
- 自动分类可以加快个性化NSLBP康复,克服当前医疗保健的局限性.
