机器学习分析功能任务期间的动力运动特征,以区分慢性部疼痛患者与无症状对照者

科学领域:

• 生物医学工程 生物医学工程
• 康复科学 康复科学 康复科学
• 计算动力学计算动力学

背景情况:

• 慢性部疼痛影响了相当一部分人口,影响了生活质量.
• 对部疼痛的客观评估往往依赖于主观措施,强调需要使用定量方法.
• 了解运动模式可能会为慢性部疼痛的病理生理学提供见解.

研究的目的:

• 评估机器学习模型在功能任务中使用动力学特征的区分能力.
• 要区分患有非创伤性慢性部疼痛的个体和无症状的对照人群.
• 为了确定与慢性部疼痛相关的特定运动特征.

主要方法:

• 惯性传感器被用来捕捉在高重量转移任务和饮水任务期间的动力学.
• 提取了15个运动特征,包括运动范围,速度,平滑性和异质性.
• 机器学习模型经过训练和测试,使用这些特征来对参与者进行分类.

主要成果:

• 高重量转移任务显示了统计学上显著的区分能力 (P=.0337),准确率为61.8%.
• 饮用水任务没有显示出显著的歧视潜力 (P=.215).
• 运动异质性,以增加强度波动为特征,是最重要的歧视性特征.

结论:

• 虽然动力学分析显示出潜力,但所取得的中等准确性质疑其目前用于识别慢性部疼痛的临床实用性.
• 运动异质性可能是区分慢性部疼痛患者的关键指标.
• 未来的研究应该探索更具挑战性的任务和患有较高疼痛或残疾水平的患者群体.