
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种用于多模态腰痛分层问题的无监督学习方法
《Spine》:An Unsupervised Learning Approach for Multimodal Low Back Pain Stratification
【字体: 大 中 小 】 时间:2025年12月13日 来源:Spine 3.5
编辑推荐:
本研究提出一种新型分层框架,整合芬兰北部出生队列的深度学习MRI影像生物标志物(椎间盘退变、关节面形态)与非影像数据(吸烟史、人口统计学、疼痛自评量表),通过K-Means聚类识别心理社会因素、物理退变及混合型三组亚群,决策曲线分析显示分层策略净收益优于统一治疗。
这是一项横断面研究。
本研究提出了一种针对腰痛(LBP)患者的新分层框架。该方法整合了芬兰北部出生队列的数据,这些数据包括基于深度学习(DL)对腰椎MRI进行的影像生物标志物分析结果,以及吸烟状况、人口统计学特征(性别、BMI)、?rebro肌肉骨骼疼痛筛查问卷(?MPSQ)简版和StarT Back Tool(SBT)的自报数据。此外,通过证明这种分层方法相较于“全盘治疗”策略具有更优的净收益,验证了其有效性。
目前针对腰痛患者的风险分层主要依赖于?MPSQ简版和SBT等工具。虽然这些工具在捕捉预测未来残疾和功能结果的 psychosocial 特征方面非常有用,但由于腰痛的多因素性质,需要一个更全面的分层框架。
研究人员开发了一种多模态无监督患者分层方法,该方法能够将利用深度学习模型提取的椎间盘退变(DD)和小关节倾斜(FT)的影像生物标志物与非影像数据相结合。该框架采用稳健的K-Means聚类算法对患者进行分层,并通过LBP频率和疼痛程度对聚类结果进行特征描述,其稳健性通过多类逻辑回归模型得到验证。净收益通过决策曲线分析进行评估。
根据LBP频率和疼痛程度,研究确定了三个不同的亚组。其中一个亚组主要由 psychosocial 特征主导(psychosocial 风险 P<0.05);第二个亚组主要由物理退行性变化主导(DD P<0.05);第三个亚组则同时包含这两种因素。用于聚类分配的预测模型具有较高的准确率(基于SBT的模型:0.89;基于?MPSQ简版的模型:0.87)。与“全盘治疗”策略相比,这种分层方法在各种阈值概率下均显示出更优的净收益。
本研究开发了一种新的框架,该框架整合了多模态数据,能够识别出基于生理和心理社会特征的不同亚组,为推进个性化护理提供了可能。
通俗语言总结这项研究利用芬兰北部出生队列的数据,提出了一种新的分类腰痛(LBP)患者的方法。它结合了通过深度学习分析的MRI影像生物标志物、吸烟信息以及人口统计学数据和个人报告问卷。该方法通过K-Means聚类算法根据LBP频率和疼痛程度将患者分为三个亚组:一个亚组以心理社会因素为主,另一个亚组以物理变化为主,第三个亚组同时包含这两种因素。与对所有患者采用相同治疗方案相比,这种方法显示出更好的净收益,表明通过考虑生理和心理社会因素可以改善腰痛患者的个性化护理。
本文为机器生成,可能存在不准确之处。常见问题解答