使用机器学习来预测治疗后的结果,慢性非特异性部疼痛患者接受宫延伸引
Ibrahim M Moustafa1,2,3, Dilber Uzun Ozsahin4,5,6, Mubarak Taiwo Mustapha5,6,7
1Department of Physiotherapy, College of Health Sciences, University of Sharjah, 27272, Sharjah, United Arab Emirates.
Scientific reports
|May 23, 2024
概括
机器学习可以准确地预测慢性部疼痛的结果. 模型预测宫上角,疼痛和残疾的变化,帮助使用宫延伸引的个性化康复策略.
科学领域:
- 康复医学 康复医学 康复医学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 慢性部疼痛影响了大量患者群体.
- 多模式康复计划,包括宫延伸引 (CET),是常见的治疗方法.
- 预测治疗结果仍然是优化患者护理的挑战.
研究的目的:
- 应用机器学习来预测慢性部疼痛患者的治疗后结果.
- 为了确定预治疗变量,预测宫上角 (CLA),疼痛和残疾的变化.
- 将预测建模纳入保守的康复策略中.
主要方法:
- 利用了570名慢性部疼痛患者的治疗前的人口统计和临床数据.
- 使用python中的sci-kit-learn库开发了线性回归模型.
- 输入变量包括年龄,BMI,CLA,头部翻译,残疾指数,疼痛评分和治疗参数.
主要成果:
- 线性回归模型显示出高精度和准确性.
- 模型解释了30-55%的治疗后结果的变化,其中CLA的变化最高.
- 确定了影响治疗成功的治疗前关键变量.
结论:
- 机器学习模型可以有效地预测慢性部疼痛的结果.
- 这些模型为定制干预和优化康复提供了有价值的见解.
- 这项研究开创了机器学习在脊柱康复中的整合,以改善患者护理.
