基于临床适用的性能指标的机器学习准确性,用于评估腰部疼痛中的功能运动:系统性审查
Tamer Burjawi1, Doa El-Ansary2, Joshua Farragher3
1Royal Melbourne Institute of Technology, University, Melbourne, VIC, Australia.
International journal of medical informatics
|October 25, 2025
概括
机器学习 (ML) 在评估腰部疼痛 (LBP) 运动方面表现有前途,显示出强大的有效性. 然而,关于可靠性和测量错误的报告有限,这限制了其目前的临床应用.
科学领域:
- 生物力学 生物力学
- 计算健康 计算健康
- 康复工程 康复工程 康复工程
背景情况:
- 腰部疼痛 (LBP) 是一种普遍的疾病,影响全球数百万人.
- 准确评估功能动力学对于有效的LBP管理至关重要.
- 传统的动力学评估方法可能耗时,需要专门的设备.
研究的目的:
- 系统地评估机器学习 (ML) 模型的心理测量特性,用于评估LBP患者的功能动力学.
- 为了确定LBP基于ML的动力学评估的有效性,可靠性和测量误差.
- 为了确定当前的研究状况和应用ML到LBP功能运动分析的局限性.
主要方法:
- 在主要的科学数据库 (PubMed,Scopus,Web of Science,IEEE Xplore) 进行了全面的系统文献搜索.
- 包括使用ML算法与LBP评估的动力学数据的ML算法研究.
- 使用纽卡斯尔-太华尺度和相关的COSMIN检查清单领域评估了偏差风险.
主要成果:
- 20项研究符合审查的纳入标准.
- 大多数研究报告了标准有效性,主要是通过准确度指标.
- 不经常检查可靠性和测量误差,这表明心理测量评估存在差距.
- 惯性传感器和支向量机器是使用的主要技术和算法.
结论:
- 机器学习在评估腰部疼痛的功能动力学方面显示出显著的潜力和强大的有效性.
- 目前ML对LBP的临床实用性受到可靠性和测量错误数据报告不足的限制.
- 需要进一步研究以全面的心理测量验证为重点,以促进ML工具的整合到LBP的临床实践中.
