Arachnoiditis: leveraging crowdsourcing and AI in a cross-sectional study of 1,105 cases to improve identification, understanding, and treatment
Notice bibliographique
Résumé
Abstract Background Arachnoiditis, a painful and potentially disabling neurological condition, results from persistent inflammation of the spinal cord pia-arachnoid membranes following injury. While considered rare, the condition is underdiagnosed. Research on symptomatology, diagnosis, and treatments is scarce, hindering clinical management. Artificial intelligence (AI) offers promising opportunities for rare diseases, enabling large-scale pattern identification. This study used traditional research methods coupled with AI technology to characterize patient-reported clinical presentation, comorbidities, aggravating factors, and treatments for arachnoiditis. Methods This retrospective cross-sectional study utilized data from StuffThatWorks (STW), an online crowdsourcing platform for people with chronic diseases. Multiple choice and free text responses were assessed both quantitatively and qualitatively. Novel AI/machine learning algorithms were used to further analyze the data, including the STW cross-condition score (higher scores more indicative of arachnoiditis) and the STW treatment efficacy model generating effectiveness and detriment estimates, with binomial proportion 90% confidence intervals. Results Of 1250 international participants, 1105 reporting a physician-confirmed diagnosis were included. Participants were predominantly USA-based (71.4%), female (75.9%) and ≥46 years old (73.1%). Of 712 symptoms grouped into eight categories, eighteen were more indicative of arachnoiditis (by cross-condition score). The most frequent symptoms were lower back pain (43.5%), leg pain (41.6%) and back pain (39.1%). Prolonged sitting (62.5%) and prolonged standing (58.3%) were the most common aggravating factors. Comorbidities were led by degenerative disc disease (32.3%), spinal stenosis (25.3%) and fibromyalgia (25.0%). The most frequently used treatments were gabapentin (37.9%), physiotherapy (30.1%) and pregabalin (26.5%). Treatments with the highest patient-rated effectiveness (by STW model, 90% CI) were low-dose naltrexone (28.1%, CI 20.0-37.0), ketamine infusion (24.8%, CI 16.9-33.4) and fentanyl (21.1%, CI 14.7-28.1). Epidural corticosteroid injections showed the highest detriment (38.5%, CI 28.0-45.9). Conclusion As the largest observational study of arachnoiditis to date, made possible with novel methodological approaches, this work offers new insights with potential to improve diagnosis and management.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».