使用机器学习来识别慢性腰痛治疗结果的预后变量:回顾性分析

科学领域:

• 医疗保健研究的研究.
• 医学中的人工智能.
• 预测因素分析预测因素分析

背景情况:

• 慢性腰部疼痛 (CLBP) 在物理治疗 (PT) 中很普遍,但干预措施的有效性有限.
• 确定可预防的CLBP慢性预测因素是一个关键的研究问题.
• 之前关于CLBP预后因素的研究由于方法上的局限性而产生了相互矛盾的结果.

研究的目的:

• 检查慢性腰痛 (CLBP) 治疗中物理治疗结果的预后风险因素.
• 利用人工智能 (AI) 的一个亚型来识别预测变量.
• 为了解决在预测CLBP患者结果方面提高准确度的需求.

主要方法:

• 追溯观察队列研究的设计.
• 引导随机森林监督机器学习分析的应用.
• 确定与CLBP患者治疗结果相关的变量.

主要成果:

• 确定的主要预测变量包括FOTOTM预测的功能状态 (FS) 变化得分和访问次数.
• 最初的FS分数,年龄,慢跑/散步史,肥胖和之前的治疗都是重要的预测因素.
• 提供者教育水平,药物使用和性别也成为重要的预后因素.

结论:

• 人工智能 (AI) 可以有效地预测医疗保健研究中的风险和预后因素.
• 增强的预测准确度有助于临床医生确定最佳的患者护理计划.
• 改进的预测模型可能有助于降低研究消耗率,并加强临床决策.