《Scientific Reports》：Integrating multidimensional data analytics for precision diagnosis of chronic low back pain
编辑推荐：
为解决慢性下腰痛（cLBP）诊断难题，研究人员开展多模态数据分析研究，发现关键变量，助力精准诊断。
慢性下腰痛（cLBP）是一种在全球范围内极为常见且令人困扰的疾病，它就像一个隐藏在人群中的 “健康窃贼”，悄无声息地影响着大量人的生活。据统计，下腰痛（LBP）是导致全球残疾的主要原因之一，其中高达 25% 的病例会发展为慢性下腰痛。然而，目前对于 cLBP 的诊断和评估困难重重。传统的诊断方法往往依赖患者自我报告的症状，这种方式主观性强，容易出现偏差，就好比不同人对疼痛的感受和描述千差万别，这使得医生难以准确判断病情。而且，现有的手术和非手术治疗效果也参差不齐，许多 cLBP 患者接受治疗后效果不佳，这让患者和医生都十分苦恼。
为了攻克这些难题，来自德国波鸿应用科学大学（Hochschule Bochum）、阿斯顿大学（Aston University）、迪肯大学（Deakin University）等多个机构的研究人员展开了一项重要研究。他们的研究成果发表在《Scientific Reports》上，为 cLBP 的诊断和治疗带来了新的希望。
研究人员采用了多种关键技术方法。在数据收集方面，他们从正在进行的 “Berlin Back Study” 获取数据，该研究招募了大量符合条件的参与者，收集了丰富的多模态数据，包括问卷调查数据、临床和功能评估数据以及脊柱骨盆磁共振成像（MRI）数据。在数据分析阶段，利用 Boruta 算法进行变量重要性选择，通过随机森林（RF）分类算法对 cLBP 患者和无症状对照进行分类。同时，运用十折交叉验证和留出法对模型进行训练和测试，以确保结果的可靠性。
下面来看看具体的研究结果：
- 研究样本：研究共招募了 1273 名参与者，经过一系列筛选，最终确定了 1161 名受试者，其中包括 649 名无症状者和 512 名 cLBP 患者。这些参与者的相关数据被分为问卷（Q）、临床身体评估（C）、背部形状和功能（S）、MRI（M）四种模态，并结合人口统计学数据组成 15 个数据集。
- 慢性下腰痛分类：研究发现，单一模态中，MRI 经 Boruta 选择变量的分类效果最佳，平均 AUC 为 0.645。而多模态组合通常比单模态模型表现更好，问卷、临床物理评估和 MRI（Q + C + M）模态经 Boruta 选择变量后，表现最优，平均 AUC 达到 0.699 ，平均准确率为 0.709，敏感性也较高。
- Boruta 变量重要性：Boruta 变量选择使变量数量大幅减少，中位数减少 62.7%，且模型性能与使用所有变量时相当。不同模态的重要变量有所不同，如 MRI 中重要变量包括椎间盘（IVD）突出 L4 - L5 等，而最佳模型（Boruta - Q + C + M）的重要变量涵盖了心理社会因素、颈部和髋关节活动度、下腰椎间盘突出和退变等方面。
- 稳健和重要变量：通过计算变量选择百分比和平均重要性得分，确定了 9 个最稳健和重要的变量，包括心理社会因素、下腰椎 IVD 突出和退变、髋关节疼痛以及颈部和全身的活动度。使用这些变量在留出数据集上进行五折训练测试，结果显示其在准确率、AUC 和敏感性方面表现良好。
在讨论部分，研究人员指出，该研究利用大型多模态数据集和机器学习工作流程，证明了多维度数据在 cLBP 患者诊断中的重要性。心理社会因素在所有变量中显示出较高的重要性，这表明在临床实践中应更加重视心理社会因素的评估和干预。同时，MRI 显示的脊柱突出和退变对 cLBP 的诊断也有重要意义，但不能仅依靠 MRI 结果来解释疼痛的存在。此外，研究还发现颈椎旋转而非腰椎运动评估对 cLBP 的诊断很重要，这为后续研究提供了新的方向。
然而，该研究也存在一些局限性。例如，数据集可能没有充分涵盖 cLBP 的复杂多因素本质，缺乏一些社会经济因素的数据；MRI 数据的分析还可以进一步拓展；将研究结果转化为临床实践也面临着挑战。但总体而言，这项研究为 cLBP 的诊断和治疗提供了有价值的见解，未来通过纳入更详细的数据和探索更先进的机器学习模型，有望进一步提高对 cLBP 的诊断和治疗水平，为患者带来更好的康复希望。
