可解释的机器学习应用于低背部疼痛的生物电阻:分类和疼痛评分预测

科学领域:

• 生物医学工程 生物医学工程
• 计算医学是一种计算医学.
• 疼痛研究 疼痛研究

背景情况:

• 腰部疼痛 (LBP) 是全球导致残疾的主要原因之一.
• 目前的LBP评估在很大程度上依赖于主观问卷.
• 目标生物标志物对于准确的LBP评估至关重要.

研究的目的:

• 调查生物电阻参数 (BIP) 对客观LBP评估的有用性.
• 应用可解释的机器学习 (ML) 模型用于LBP分类和疼痛强度预测.
• 探索BIP作为LBP的潜在客观生物标志物.

主要方法:

• 一项涉及83名参与者的横截面研究 (38名患有LBP,45名对照).
• 收集了腰部BIP和人口统计数据.
• 极端梯度增强 (XGBoost) 与SHapley添加式扩展 (SHAP) 用于ML分析.
• 进行了LBP与健康状况的分类和疼痛尺度 (VAS,ODI,RMDQ) 的回归.

主要成果:

• ML分类器在区分LBP和健康个体方面取得了高准确性 (ROC-AUC = 0.996).
• 该模型在预测视觉模拟尺度 (VAS) 疼痛评分 (R2 = 0.70) 中表现出强的表现.
• 对于奥斯威斯特残疾指数 (ODI) 和罗兰-莫里斯残疾问卷 (RMDQ) 的预测准确度较低.

结论:

• 使用BIP的可解释的ML模型可以有效地区分LBP和健康组.
• BIP分析显示了对LBP强度的客观估计的潜力.
• 这些发现表明BIP是对主观LBP评估的有价值的客观补充.