基于无监督机器学习确定慢性腰痛患者的中央敏化量表截断值
机器学习
2024-07-18 v1 人工智能
神经元与认知
摘要
人类假设的中央敏化参与慢性腰痛(CLBP)的发生与维持。中央敏化量表(CSI)用于评估人类假设中央敏化(HACS)的存在，其基于慢性疼痛患者得出的截断值为40/100。然而，包括疼痛状况(如CLBP)和性别在内的多种因素可能影响该截断值。对于CLBP等慢性疼痛状况，无监督聚类方法可考虑这些因素并自动学习HACS相关模式。因此，本研究旨在基于无监督机器学习，针对荷兰语CLBP人群确定总体及按性别分层的截断值。本研究收集了CLBP患者及年龄匹配的无痛成人(称为健康对照，HC)的涵盖疼痛、身体及心理方面的问卷数据。应用四种聚类方法基于问卷数据和性别识别HACS相关簇。使用内部和外部指标评估聚类性能。随后，对最佳聚类结果进行受试者工作特征分析以确定最优截断值。研究共纳入151名受试者，包括63名HC和88名CLBP患者。层次聚类效果最佳，识别出三个簇：健康组、低HACS水平CLBP组和高HACS水平CLBP组。基于低HACS水平组(包括HC和低HACS水平CLBP)与高HACS水平组，总体组的截断值为35，女性为34，男性为35。研究结果表明CLBP的最优截断值为35。由于样本中性别分布不均衡，性别相关截断值应谨慎解读。
引用
@article{arxiv.2311.11862,
title = {Establishing Central Sensitization Inventory Cut-off Values in patients with Chronic Low Back Pain by Unsupervised Machine Learning},
author = {Xiaoping Zheng and Claudine JC Lamoth and Hans Timmerman and Ebert Otten and Michiel F Reneman},
journal= {arXiv preprint arXiv:2311.11862},
year = {2024}
}
备注
31 pages, 5 tables, 3 figures