Machine Learning for Functional Movement Assessment in People with Low Back Pain: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial Intelligence-based functional movement assessment provides precise, real-time kinematic data, enhancing diagnosis and personalised treatment for low back pain.Adoption of Artificial Intelligence technology could streamline the assessment process and reduce variability in clinical evaluations.Further validation and standardisation of this technology are necessary to ensure reliability and practical utility in clinical settings. Artificial intelligence could offer a promising solution to assess functional movements in people with low back pain in the clinical setting in the near future. However, more studies are required to investigate the reliability of artificial intelligence-based functional movement analysis in people with low back pain before applying it in the clinical setting. A systematic review was conducted across five databases (MEDLINE, Embase, Scopus, SportDiscus, and CINAHL) from inception to 2024. Inclusion criteria included experimental or observational studies conducted in adults aged 18 to 65 with low back pain. Included studies utilised machine learning algorithms in the assessment of functional movements and reported clinometric properties of their machine learning algorithms (e.g., reliability, validity, specificity, sensitivity). Independent screening was conducted by two reviewers. Two reviewers performed the data extraction and quality assessment. Quality assessment of the studies was performed using the Newcastle-Ottawa Scale and COSMIN tool. The systematic review was registered prospectively in PROSPERO (ID: CRD42024540218). Ten articles were included in the review. Construct validity was reported in eight studies, whereas two studies reported criterion validity. Only five studies demonstrated a low risk of bias (scoring 7 or above on the Newcastle-Ottawa Scale), and no study demonstrated adequate or good reliability on the COSMIN scale. Seven studies reported high accuracy of artificial intelligence-based movement analysis (75-97%). Overall, artificial intelligence-based analysis demonstrated high sensitivity (80-100%), specificity (80-95%) and diagnostic accuracy (Area Under Receiver Operating Characteristic curve of 0.85-0.99). This study aims to investigate whether artificial intelligence-based functional movements assessment is valid and reliable in people with low back pain.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,002 | 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 découle