Machine learning accuracy for assessment of functional movement in Low back pain based on clinically applicable performance Metrics: A systematic review
Notice bibliographique
Résumé
• This is the first systematic review to evaluate machine learning (ML) models for assessing functional movement in people with Low back pain (LBP) using psychometric properties. • Kinematic inputs such as IMU sensors and marker-based motion capture systems are commonly used in ML models for movement assessment. • Most studies emphasised binary classification (LBP and healthy) rather than variation within LBP populations. • Criterion validity was the most reported psychometric property, while reliability and measurement error were rarely assessed. • SVMs were the most frequently applied algorithm, but limited exploration of advanced ML models was observed. • Markerless motion capture remains underexplored despite its potential for clinical feasibility. • A dual risk-of-bias approach (NOS and COSMIN) provided insights into study design quality and psychometric rigour. • Validity was the strongest psychometric property whereas reliability and measurement error were consistently weak across studies. To assess whether machine learning (ML) can accurately evaluate functional kinematics in people with low back pain (LBP) when judged by psychometric properties, including validity, reliability, and measurement error. A systematic search of PubMed, Scopus, Web of Science, and IEEE Xplore identified studies applying ML with kinematic inputs for LBP assessment. Risk of bias was assessed using the Newcastle–Ottawa Scale and selected COSMIN domains. Twenty studies met inclusion. Most reported criterion validity via accuracy, while few examined reliability or measurement error. Inertial sensors and support vector machines were the most common methods. ML shows strong validity for LBP movement assessment, but limited psychometric reporting constrains clinical use.
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 | 0,021 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,014 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».