Machine learning-based cluster analysis identifies four unique phenotypes of patients with degenerative cervical myelopathy with distinct clinical profiles and long-term functional and neurological outcomes
Notice bibliographique
Résumé
BACKGROUND: Degenerative cervical myelopathy (DCM), the predominant cause of spinal cord dysfunction among adults, exhibits diverse interrelated symptoms and significant heterogeneity in clinical presentation. This study sought to use machine learning-based clustering algorithms to identify distinct patient clinical profiles and functional trajectories following surgical intervention. METHODS: In this study, we applied k-means and latent profile analysis (LPA) to identify patient phenotypes, using aggregated data from three major DCM trials. The combination of Nurick score, NDI (neck disability index), neck pain, as well as motor and sensory scores facilitated clustering. Goodness-of-fit indices were used to determine the optimal cluster number. ANOVA and post hoc Tukey's test assessed outcome differences, while multinomial logistic regression identified significant predictors of group membership. FINDINGS: A total of 1047 patients with DCM (mean [SD] age: 56.80 [11.39] years, 411 [39%] females) had complete one year outcome assessment post-surgery. Latent profile analysis identified four DCM phenotypes: "severe multimodal impairment" (n = 286), "minimal impairment" (n = 116), "motor-dominant" (n = 88) and "pain-dominant" (n = 557) groups. Each phenotype exhibited a unique symptom profile and distinct functional recovery trajectories. The "severe multimodal impairment group", comprising frail elderly patients, demonstrated the worst overall outcomes at one year (SF-36 PCS mean [SD]: 40.01 [9.75]; SF-36 MCS mean [SD], 46.08 [11.50]) but experienced substantial neurological recovery post-surgery (ΔmJOA mean [SD]: 3.83 [2.98]). Applying the k-means algorithm yielded a similar four-class solution. A higher frailty score and positive smoking status predicted membership in the "severe multimodal impairment" group (OR 1.47 [95% CI 1.07-2.02] and 1.58 [95% CI 1.25-1.99, respectively]), while undergoing anterior surgery and a longer symptom duration were associated with the "pain-dominant" group (OR 2.0 [95% CI 1.06-3.80] and 3.1 [95% CI 1.38-6.89], respectively). INTERPRETATION: Unsupervised learning on multiple clinical metrics predicted distinct patient phenotypes. Symptom clustering offers a valuable framework to identify DCM subpopulations, surpassing single patient reported outcome measures like the mJOA. FUNDING: No funding was received for the present work. The original studies were funded by AO Spine North America.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».