Machine learning analysis of kinematic movement features during functional tasks to discriminate chronic neck pain patients from asymptomatic controls
Notice bibliographique
Résumé
This study evaluated the discriminative potential of a machine learning model using movement features during functional tasks to distinguish between patients with non-traumatic chronic neck pain and asymptomatic controls. The study included patients with chronic mechanical neck pain and asymptomatic controls. Inertial sensors analyzed kinematics during two tasks: elevated weight transfer task and water drinking. Movement was characterized using fifteen features, incorporated into machine learning models to assess how movement patterns relate to patient condition. Features included range of motion, peak velocity, smoothness, spatiotemporal inter-plane coordination, energy distribution by frequencies, and movement heterogeneity. Fifty-three patients with neck pain (36.27 ± 14.3 years; 14 men and 39 women) and 53 asymptomatic participants (35.43 ± 14.65 years; 32 men and 21 women) completed the study. Permutation tests evaluated the discriminative potential of neck movement features between groups. The elevated weight transfer task showed significant discriminative power (P = .0337 ± .0239; Accuracy = 0.618 ± 0.02), while the water drinking task did not (P = .215 ± .202). Movement heterogeneity was the most important discriminative feature, with chronic neck pain patients showing higher movement intensity fluctuations over time. Although the elevated weight transfer task showed statistically significant discriminative potential between asymptomatic individuals and those with chronic neck pain, the models correctly classified participants only 61.8% of the time. This result questions the potential of kinematic analysis to identify patients with chronic neck pain. Future research should investigate these models during more challenging tasks in samples of patients with higher neck pain intensity or disability levels.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».