Evidence- and data-driven classification of low back pain via artificial intelligence: Protocol of the PREDICT-LBP study
Notice bibliographique
Résumé
In patients presenting with low back pain (LBP), once specific causes are excluded (fracture, infection, inflammatory arthritis, cancer, cauda equina and radiculopathy) many clinicians pose a diagnosis of non-specific LBP. Accordingly, current management of non-specific LBP is generic. There is a need for a classification of non-specific LBP that is both data- and evidence-based assessing multi-dimensional pain-related factors in a large sample size. The "PRedictive Evidence Driven Intelligent Classification Tool for Low Back Pain" (PREDICT-LBP) project is a prospective cross-sectional study which will compare 300 women and men with non-specific LBP (aged 18-55 years) with 100 matched referents without a history of LBP. Participants will be recruited from the general public and local medical facilities. Data will be collected on spinal tissue (intervertebral disc composition and morphology, vertebral fat fraction and paraspinal muscle size and composition via magnetic resonance imaging [MRI]), central nervous system adaptation (pain thresholds, temporal summation of pain, brain resting state functional connectivity, structural connectivity and regional volumes via MRI), psychosocial factors (e.g. depression, anxiety) and other musculoskeletal pain symptoms. Dimensionality reduction, cluster validation and fuzzy c-means clustering methods, classification models, and relevant sensitivity analyses, will classify non-specific LBP patients into sub-groups. This project represents a first personalised diagnostic approach to non-specific LBP, with potential for widespread uptake in clinical practice. This project will provide evidence to support clinical trials assessing specific treatments approaches for potential subgroups of patients with non-specific LBP. The classification tool may lead to better patient outcomes and reduction in economic costs.
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 | 0,046 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,008 |
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 ».