在纤维肌痛中使用先进的机器学习应用程序来评估3D脊柱对齐与临床结果之间的关系
Ibrahim M Moustafa1,2,3, Iman Akef Khowailed1, Shima A Mohammad Zadeh1,2
1Department of Physiotherapy, College of Health Sciences, University of Sharjah, 27272, Sharjah, United Arab Emirates.
Scientific reports
|July 2, 2025
概括
机器学习模型显示,脊柱对齐问题,如形不平衡和骨盆斜度显著影响纤维肌痛综合征 (FMS) 症状严重程度. 先进的分析确定了影响FMS患者疼痛和睡眠质量的关键姿势因素.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 类风湿病学 类风湿病学
背景情况:
- 纤维肌痛综合征 (FMS) 是一种复杂的疾病,其特点是广泛的疼痛,疲劳和睡眠障碍.
- 脊柱对齐在FMS病理生理学中的作用仍然不完全理解,需要先进的分析方法.
- 目前FMS的诊断和治疗策略往往缺乏个性化,突出了客观生物标志物的需要.
研究的目的:
- 调查三维 (3D) 脊柱对齐参数与纤维肌痛综合征 (FMS) 患者的临床结果之间的关联.
- 评估各种机器学习 (ML) 模型在理解这些关系方面的预测能力.
- 为了确定与FMS症状严重程度相关的特定脊柱对齐特征.
主要方法:
- 303名FMS患者的队列接受了3D成像,以评估包括松/冠状失衡,脊椎旋转和骨盆倾斜/扭转/旋转在内的参数.
- 测量的临床结果包括纤维肌痛影响问卷 (FIQ),疼痛灾难化量表 (PCS),匹兹堡睡眠质量指数 (PSQI) 和算法疼痛评分.
- 五个ML模型 (FastKAN-BCO,FastKAN-LBFGS,MLP-LBFGS,MLP-ADAM,线性回归) 用于基于脊柱对齐数据来预测临床结果.
主要成果:
- 机器学习模型显示了临床结果的高预测准确性,R平方值高达0.97 (PSQI) 和0.95 (算法疼痛).
- 标本不平衡和骨盆斜率被确定为FMS症状严重性的主要预测因素.
- 超过10°的脊椎旋转对症状强度产生了非线性,取决于值的影响,表明显著的姿势功能障碍.
结论:
- 机器学习有效地模拟了3D脊柱对齐和FMS临床结果之间的复杂相互作用.
- 特定的脊柱对齐参数,特别是角不平衡和骨盆斜率,是FMS症状的关键贡献者.
- 这些发现支持开发针对FMS的个性化诊断和治疗策略,重点是姿势正.
