基于膝关节关节肌肉联合激活在晚期膝关节骨关节炎的特征的患者报告结果的估计

科学领域:

• 生物医学工程 生物医学工程
• 整形外科 整形外科 整形外科
• 康复科学 康复科学 康复科学

背景情况:

• 膝关节关节炎 (OA) 显著影响患者的功能和生活质量.
• 目前对骨关节炎的严重程度的评估依赖于患者报告的结果指标 (PROM),如WOMAC和VAS,这些指标可以是主观的.
• 电肌图 (EMG) 显示了客观量化与OA相关的神经肌肉变化的潜力.

研究的目的:

• 用EMG.研究晚期膝关节OA患者的下肢肌肉激活和合收缩模式.
• 评估可解释的机器学习模型在估计膝关节OA严重程度 (WOMAC和VAS) 的EMG步态特征方面的有效性.
• 确定有助于预测OA严重程度的特定EMG特征.

主要方法:

• 在84名患有晚期膝关节OA的患者中,收集了EMG数据,这些数据来自行走期间的直骨骨,中侧腿筋,前肌和腹肌肌.
• 肌肉激活和协同激活指数在整个步行周期中计算出来.
• 机器学习回归模型,使用SHAP来解释可解释性,用于从EMG特征估计WOMAC和VAS得分.

主要成果:

• 根据VAS和WOMAC评分所示的膝关节OA严重程度,肌肉活动和共同收缩模式有所不同.
• 回归模型实现了高精度,WOMAC的R平方值为0.85,疼痛为0.82,度为0.85,身体功能为0.85,VAS为0.85.
• SHAP分析显示,在体重接受和摇摆阶段,下肢肌肉的共同收缩增加与更严重的膝关节OA有关.

结论:

• 来自EMG的肌肉激活和协同收缩模式是膝关节OA严重程度和功能限制的有价值的客观指标.
• 可解释的机器学习模型可以有效地使用这些神经肌肉步行特征来估计OA的严重程度.
• 这些发现表明,肌肉联合激活模式可以作为了解和管理膝关节OA的客观结果措施.