基于足底压力与双问卷自评的Hallux Valgus智能诊断模型研究

本研究创新性地将足底压力数据与MOXFQ/FFI-5pt问卷自评相结合，开发了CNN-BiLSTM混合深度学习模型用于Hallux Valgus（HV）严重程度分类。通过46例患者数据分析，发现仅需9次足印重复即可达到90-95%准确率，为临床提供了一种非侵入性、高效的综合诊断方法，尤其适用于认知障碍患者群体。

　　

研究背景与意义
Hallux Valgus（HV，拇外翻）作为常见的足部畸形，传统诊断主要依赖影像学检查和医生经验判断，缺乏对患者主观感受的量化评估。尽管足底压力测量技术已广泛应用于步态分析，但现有研究往往孤立使用生物力学数据或问卷评分，难以全面反映HV对患者功能和生活质量的多维度影响。荷兰Sint Maartenskliniek的研究团队敏锐捕捉到这一临床痛点，开创性地将客观压力传感器数据与主观自评量表（MOXFQ和FFI-5pt）相结合，构建了新一代智能诊断系统。

关键技术方法
研究纳入46例HV术前患者（41女/5男），通过力平台采集每人15次动态足印数据，同步收集MOXFQ（评估行走/疼痛/社交影响）和FFI-5pt（评估日常活动受限程度）问卷结果。采用Shannon熵分析数据随机性后，设计双通道2D CNN-BiLSTM混合模型：CNN提取足压空间特征，BiLSTM处理问卷时序数据，并引入足部特异性元数据增强分类性能。

主要研究结果

1. 材料与方法
   开发了基于矩阵力平台的双模态数据采集协议，通过三步骤标准化流程确保数据可比性。MOXFQ表现出略高于FFI-5pt的熵值（0.72 vs 0.68），提示问卷应答存在适度不可预测性。

2. 结果
   模型在9次足印重复时即达90-95%分类准确率，呈现显著的数据效率。发现准确率与数据重复量呈幂律关系，超过9次后增益递减，为临床数据采集优化提供量化依据。

3. 讨论
   女性主导的样本分布（89%）可能影响结果泛化性，但成功验证了生物力学-主观报告联合分析的可行性。CNN-BiLSTM架构有效捕捉了足压空间模式与问卷时序特征的协同效应，较传统ANN方法更具临床解释性。

结论与展望
该研究突破了HV诊断中"客观测量"与"主观体验"的割裂现状，通过AI模型实现了：① 最小化数据需求（仅需9次测量）；② 覆盖认知障碍等特殊人群；③ 支持临床决策的可解释性输出。未来需扩大样本多样性并探索跨病种应用，但已为"数字孪生足部"概念奠定了方法论基础。论文发表于《Engineering Applications of Artificial Intelligence》，为智能骨科诊断树立了新范式。