基于机器学习的下急性腰痛残疾预测:对临床和心理社会决定因素的初级保健研究

科学领域:

• 生物医学信息学是生物医学信息学.
• 临床信息学是一种临床信息学.
• 康复医学是康复的医学.

背景情况:

• 亚急性腰部疼痛 (LBP) 是导致残疾和医疗费用的普遍原因.
• 早期识别面临功能恢复不良风险的个体对于初级保健至关重要.
• 预测LBP结果的机器学习应用仍未得到充分探索.

研究的目的:

• 开发和评估机器学习模型,用于预测亚急性LBP患者的功能障碍和疼痛强度.
• 确定LBP结果的关键临床和心理社会预测因素.
• 评估这些模型在初级保健物理治疗环境中的潜力.

主要方法:

• 对92名患有亚急性腰痛的成年患者进行了前性观察性研究.
• 基线评估包括残疾,疼痛强度,自我效能,对运动的恐惧和心理社会风险.
• 使用了高斯的天真贝斯,补充天真贝斯,k-最近邻居和决策树分类器.
• 模型接受了内在,外在和组合特征集的训练,使用和不使用过量采样技术.

主要成果:

• 结合特征集的决策树分类器实现了最高的准确性 (0.81) 和F1得分 (0.80).
• 基线疼痛强度预测残疾,而基线残疾预测疼痛强度.
• 心理社会因素 (自我效能,运动恐惧症,心理社会风险) 的预测值中等;年龄和性别的影响最小.

结论:

• 机器学习模型,特别是决策树,可以准确预测亚急性LBP的功能障碍和疼痛.
• 这些模型利用常规收集的临床和心理社会数据.
• 这些发现支持为个性化初级保健物理治疗开发临床决策支持工具.