Verwendung maschineller Lernverfahren zur Identifizierung relevanter Instrumente für die Diagnose chronischer Rückenschmerzen

Résumé fourni par la source

Einleitung Rückenschmerzen (RS) sind weltweit eine der Hauptursachen für körperliche und psychosoziale Beeinträchtigungen. Abhängig von Alter und Geschlecht können diese Schmerzen bei bis zu 25% der Betroffenen chronisch werden (cRS) [ 1 ]. Die Diagnose von cRS wird durch die Vielzahl an Ursachen, das Fehlen objektiver Schmerzbeurteilungen sowie unspezifische Symptome erschwert. Daher werden zur Diagnose und Bewertung der Schmerzen verschiedene Instrumente eingesetzt. Welche dieser Instrumente den größten Informationsgehalt liefern, bleibt jedoch unklar. Das Ziel dieser Studie ist es, mittels maschineller Lernverfahren die aussagekräftigsten Instrumente für eine umfassende Diagnose zu identifizieren [ 2 ]. Material und Methodik Zwischen Januar 2022 und April 2024 wurden im Rahmen der laufender "Berliner Rückenstudie" 1161 Erwachsene mit (Frauen: 306/512) und ohne cRS (Frauen: 353/649) untersucht. Es wurden vier Datenmodalitäten erhoben: Erhebung psychosozialer Faktoren (26 Parameter), Klinische körperlicher Untersuchung (46 Parameter), MRT zur Erkennung struktureller Anomalien (29 Parameter), und Tests zur Bewertung der Beweglichkeit des Rückens (51 Parameter). Anschließend wurden maschinelle Lernverfahren genutzt (Boruta Parameter Selektion [ 3 ] und Random Forest Klassifizierung [ 4 ]), um die bedeutsamsten Parameter dieser Untersuchungen zu identifizieren. Dabei wurden die maschinellen Lernverfahren sowohl auf einzelne Datenmodalitäten, als auch auf alle möglichen Kombinationen dieser Datenmodalitäten angewandt (15 Datensätze insgesamt). Als bedeutsam wurden jene Parameter definiert, die in allen 15 Analysen als wichtig erachtet wurden. Ergebnisse Die Verwendung der Boruta-Parameter-Selektion ermöglichte eine Reduktion weniger bedeutsamer Parameter (Median: 62,7%) bei mindestens gleichbleibender cRS Klassifizierungsleistung. Analysen, die mehrere Datenmodalitäten umfassten, zeigten dabei eine bessere Klassifizierungsleistung als Analysen einzelner Datenmodalitäten. Die beste Analyse umfasste Parameter, die mittels Fragebögen, klinischer und MRT-Untersuchungen erhoben wurden. Durch diesen Ansatz wurden neun bedeutsame Parameter identifiziert, darunter psychosoziale Einflüsse, Hüftschmerzen, MRT-Bandscheibenvorfall und -degeneration in der unteren Lendenwirbelsäule sowie die Beweglichkeit der Hüfte und der Halswirbelsäule. Diese 9 Parameter zeigten dabei eine bessere Klassifizierungsleistung als jene Analyse, die alle erhobenen Parameter umfasste. Zusammenfassung Die Kombination aus körperlicher Funktion, MRT-Bildgebung und psychosozialer Faktoren zeigten die höchste Bedeutung für die Unterscheidung von Personen mit und ohne cRS. Diese Daten bilden die Grundlage für die Entwicklung daten- und evidenzbasierter Klassifizierungsschemata für cRS und ermöglichen damit gezieltere Behandlungen. Publication History Article published online: 21 May 2025 © 2025. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.