Towards data-driven biopsychosocial classification of non-specific chronic low back pain: a pilot study
Notice bibliographique
Résumé
The classification of non-specific chronic low back pain (CLBP) according to multidimensional data could guide clinical management; yet recent systematic reviews show this has not been attempted. This was a prospective cross-sectional study of participants with CLBP (n = 21) and age-, sex- and height-matched pain-free controls (n = 21). Nervous system, lumbar spinal tissue and psychosocial factors were collected. Dimensionality reduction was followed by fuzzy c-means clustering to determine sub-groups. Machine learning models (Support Vector Machine, k-Nearest Neighbour, Naïve Bayes and Random Forest) were used to determine the accuracy of classification to sub-groups. The primary analysis showed that four factors (cognitive function, depressive symptoms, general self-efficacy and anxiety symptoms) and two clusters (normal versus impaired psychosocial profiles) optimally classified participants. The error rates in classification models ranged from 4.2 to 14.2% when only CLBP patients were considered and increased to 24.2 to 37.5% when pain-free controls were added. This data-driven pilot study classified participants with CLBP into sub-groups, primarily based on psychosocial factors. This contributes to the literature as it was the first study to evaluate data-driven machine learning CLBP classification based on nervous system, lumbar spinal tissue and psychosocial factors. Future studies with larger sample sizes should validate these findings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».