基于脊柱标记轨迹的非特异性腰痛亚组分类：一种无监督机器学习方法

《Gait & Posture》：Subgrouping non-specific low back pain based on spinal marker trajectory data: An unsupervised machine learning approach

本研究针对非特异性腰痛（LBP）的异质性问题，通过智能手机视频系统采集躯干-腰-骨盆标记轨迹数据，应用K-means聚类算法成功识别出"大范围活动"（54%）和"小范围活动"（46%）两个运动亚型。研究发现两个亚组在标记位移上与健康对照均存在显著差异（p<0.001），且小范围活动组疼痛强度更高（p=0.036），这为基于运动特征的LBP个体化治疗提供了新思路。

　　

当我们谈论腰痛时，其实是在讨论一个极其复杂的医学难题。在全球范围内，约90%的腰痛病例被归类为非特异性腰痛（non-specific low back pain, LBP），这意味着即使通过先进的影像学检查也无法确定具体的病因。这种不确定性给临床诊断和治疗带来了巨大挑战，因为不同患者的运动模式可能存在显著差异，而传统的"一刀切"治疗方法往往效果有限。

以往的研究表明，前屈动作（forward bending）是日常生活中最常见的动作之一，同时也是腰椎间盘损伤或突出的重要生物力学风险因素。有趣的是，不同腰痛患者在执行这个简单动作时表现出截然不同的运动模式：有些人可能表现为腰椎主导（lumbar dominant）模式，有些人则是骨盆主导（pelvic dominant）模式，还有些人呈现出保护性（guarded）模式——动作缓慢且活动范围减小。这些差异可能反映了患者对疼痛的不同适应策略：要么通过限制运动来避免疼痛，要么通过调整相邻部位的运动来减轻应力。

然而，传统的三维运动分析技术虽然精确，但需要昂贵的实验室设备和严格的控制条件，这限制了其在常规临床环境中的应用。与此同时，临床医生迫切需要一种能够在普通医疗场景下快速、准确评估腰痛患者运动特征的方法。正是基于这样的背景，来自Kyungdong大学的研究团队开展了一项创新性研究，尝试通过智能手机视频系统和无监督机器学习技术来解决这一难题。

主要技术方法方面，研究人员招募了127名非特异性腰痛患者和58名健康对照，这些数据来源于职业性肌肉骨骼疾病筛查项目。研究采用基于智能手机的视频记录系统，在受试者执行前屈任务时采集运动学数据。通过在T12、L2和S2椎体水平放置标记点，并使用开源软件提取这些标记点在x轴和y轴的位移数据，最终获得六个运动学特征。应用K-means聚类算法对腰痛群体的运动模式进行自动分类，并通过轮廓分析（silhouette analysis）确定最佳聚类数量。

参与者特征

研究结果显示，腰痛组与健康对照组在年龄和标记点位移方面没有显著差异（p>0.05），这为后续的聚类分析提供了良好的比较基础。

轮廓分数

通过轮廓分析发现，当聚类数量为2时获得最高轮廓分数（0.384），因此研究确定将腰痛群体分为两个亚组最为合适。这一统计结果表明，两个聚类方案能够较好地反映数据的内在结构。

讨论

聚类分析识别出的两个亚组具有明显的运动特征差异：集群1（大范围活动型）占54%，其特点是标记点位移幅度较大；集群2（小范围活动型）占46%，表现为运动范围相对受限。值得注意的是，两个亚组与健康对照组相比都存在显著差异（p<0.001），且小范围活动型组报告了稍高的疼痛强度（p=0.036），但在功能障碍评分上没有差异。

这一发现具有重要的临床意义。首先，它证实了非特异性腰痛确实存在运动模式的异质性，支持了根据运动特征进行亚组分类的必要性。其次，无论是活动过度还是活动受限，都可能与疼痛相关的适应机制有关，这提示临床医生在制定治疗方案时需要充分考虑个体的运动特点。例如，对于活动过度的患者，可能需要侧重于运动控制训练；而对于活动受限的患者，则可能需要着重改善关节活动度和运动协调性。

结论

本研究通过无监督机器学习算法成功地将非特异性腰痛患者分为两个具有不同运动特征的亚组，这一发现突破了传统仅依据疼痛存在与否进行分类的局限性。研究证实基于智能手机视频系统的运动分析结合机器学习算法，能够有效识别腰痛患者的运动模式差异，为在常规临床环境中实现个体化评估和治疗提供了可行方案。

这项研究的创新之处在于它将先进的机器学习技术与便捷的移动健康技术相结合，为腰痛评估提供了一种既科学又实用的新途径。未来研究可以进一步探索不同运动亚型对特定治疗方法的反应差异，从而推动真正意义上的精准康复在腰痛管理中的应用。研究成果发表在《Gait》期刊上，为腰痛康复领域提供了重要的方法论创新和临床实践启示。