Sistema de clasificación predictiva para el dolor lumbar basado en agrupamiento no supervisado
Resumen
Diseño del estudio: estudio retrospectivo.
Objetivo: se cree que los hallazgos de la resonancia magnética lumbar (RM) se asocian con el dolor lumbar. Este estudio buscó desarrollar un nuevo sistema de clasificación predictiva para el dolor lumbar.
Global Spine Journal
Predictive Classification System for Low Back Pain Based on Unsupervised Clustering – Lixia Jin, Chang Jiang, Lishu Gu, Mengying Jiang, Yuanlu Shi, Qixun Qu, Na Shen, Weibin Shi, Yuanwu Cao, Zixian Chen, Chun Jiang, Zhenzhou Feng, Linghao Shen, Xiaoxing Jiang, 2023
@GlobalSpineJ
Del número de abril: «Sistema de clasificación predictiva para el dolor lumbar basado en agrupamiento no supervisado»
#dolorlumbar #accesoabierto #columna #saluddelacolumna #trastornosdelacolumna #cuidadodelacolumna
Conclusión
Utilizando el
agrupamiento no supervisado de datos de una población relativamente
normal, hemos desarrollado un nuevo sistema de clasificación de 3 grupos
que se basó en características radiológicas. Este nuevo sistema de
clasificación se correlacionó significativamente con el LBP (P = .017).
El sistema fue independiente de la edad y mejor que el logrado con
parámetros sagitales individuales en la RM. Una proporción de sujetos
(27%) se movió entre los grupos durante el seguimiento,
predominantemente del grupo 1 a los grupos 2 o 3. Este movimiento entre
los grupos puede ayudar a explicar cómo el sistema de clasificación
puede predecir la degeneración lumbar. Este estudio es un intento
exitoso de proporcionar una nueva forma de predecir el LBP que se puede
implementar en la práctica médica y debería ser útil en el diagnóstico y
tratamiento del LBP.
Antecedentes
Con una
población que envejece, el dolor lumbar (LBP) se ha convertido en una de
las enfermedades con efectos significativos en la calidad de vida y
también causa discapacidad.1,2 La degeneración lumbar es bien aceptada
como una de las principales causas del LBP. 3 La resonancia magnética
(MRI) se utiliza ampliamente para evaluar las enfermedades degenerativas
lumbares debido a sus ventajas, incluida la ausencia de radiación, la
capacidad de realizar imágenes multiplanares, proporciona un excelente
contraste de los tejidos blandos de la columna vertebral y permite al
radiólogo determinar la ubicación precisa de los cambios en el disco
intervertebral.4-7 La degeneración lumbar se detecta con frecuencia en
las exploraciones de MRI. Aunque no hay evidencia firme de la presencia o
ausencia de una relación causal entre los hallazgos radiológicos y el
LBP, muchos estudios han sugerido que debería existir dicha
relación.8-12
El aprendizaje automático con inteligencia artificial (IA) se puede utilizar para analizar datos sin supervisión, de modo que se pueda obtener información que no ha estado disponible con el método tradicional de análisis de imágenes en el pasado. Por lo tanto, desarrollamos una estrategia de IA para evaluar rápidamente las características de la degeneración lumbar en la RMN. Esta estrategia analizó los datos mediante aprendizaje automático no supervisado y desarrolló un nuevo sistema de clasificación basado en las características radiológicas en la RMN de manera no supervisada, en un proceso llamado «agrupamiento no supervisado». Este estudio buscó desarrollar un nuevo sistema de clasificación predictiva para el LBP utilizando una muestra de la población general con exploraciones repetidas de RMN lumbar con un método de agrupamiento no supervisado.
Predictive Classification System for Low Back Pain Based on Unsupervised Clustering – PubMed
Predictive Classification System for Low Back Pain Based on Unsupervised Clustering – PMC
This article is distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivs 4.0 License (https://creativecommons.org/licenses/by-nc-nd/4.0/) which permits non-commercial use, reproduction and distribution of the work as published without adaptation or alteration, without further permission provided the original work is attributed as specified on the SAGE and Open Access pages (https://us.sagepub.com/en-us/nam/open-access-at-sage).
