基于可解释包装的机器学习框架,用于使用最小的临床试验预测骨关节疼痛综合征.
Rajasekar Sannasi1, Praveen Kumar Kandakurti2, Thompson Stephan3
1Department of Physiotherapy, College of Health Sciences, Gulf Medical University, Ajman, United Arab Emirates.
Scientific reports
|December 12, 2025
概括
一个减少的16个生物机械特征可以准确地选骨关节疼痛综合征 (PFPS),保持高的预测能力. 这简化了前膝关节疼痛的临床评估,提高了运动员和活跃个人的效率.
科学领域:
- 生物力学 生物力学
- 运动医学 运动医学
- 数据科学数据科学数据科学
背景情况:
- 椎关节疼痛综合征 (PFPS) 是前膝关节疼痛的一个常见原因.
- 目前的临床查涉及许多物理测试,这可能是耗时的.
- 区域相互依赖模型强调了生物力学评估的复杂性.
研究的目的:
- 为了确定一个较小的生物力学变量的子集是否可以实现 PFPS 的高预测准确性.
- 开发一个更有效和临床医生可解释的查工具.
- 评估功能减少对模型性能和透明度的影响.
主要方法:
- 分析了来自70名参与者的生物力学数据,其中包括29个特征.
- 采用九个分类器和包装优化器来进行特征选择.
- 使用后勤回归,比较全功能和减少功能模型.
- 应用可解释的人工智能技术 (SHAP) 用于模型解释.
主要成果:
- 一个16个特征模型实现了97.1%的准确性 (AUC = 0.998),与全特征模型的99.7%准确性非常接近.
- 在特征减少的情况下,没有观察到预测性能的显著损失.
- 关键的移动角度 (干部旋转,腰部延伸,部内部旋转,腰部横向曲) 被确定为主要预测因素.
结论:
- 包裹引导的特征减少有效地保持了PFPS查的预测性能.
- 减少生物力学测试电池可以显著缩短评估时间.
- 这种方法为PFPS选提供了实用,具有成本效益的决策辅助,提高了透明度和效率.
