《Brazilian Journal of Physical Therapy》：Multidimensional machine learning approach for classifying patients with neck pain based on movement control test
编辑推荐：
背景（Background）：颈痛（neck pain, NP）患者常表现颈椎运动控制（cervical movement control）受损。评估运动控制的技术进步使提取多类参数成为可能，有望实现更精确分类，但尚待探究。目的（Objective）：本研究旨
背景（Background）：颈痛（neck pain, NP）患者常表现颈椎运动控制（cervical movement control）受损。评估运动控制的技术进步使提取多类参数成为可能，有望实现更精确分类，但尚待探究。目的（Objective）：本研究旨在评估Butterfly颈椎运动控制测试中不同参数及难度等级对颈痛患者与无症状对照者分类的有效性（即不同机器学习模型的分类性能）。方法（Methods）：65例颈痛患者与50例无症状对照者完成Butterfly测试。研究人员采用随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）和Logistic回归（Logistic Regression, LR）建立基于单一参数或多参数跨难度等级的分类模型。报告受试者工作特征曲线下面积（area under the curve, AUC）、分类准确率（classification accuracy, CA）、F1分数（F1 score）、精确率（precision）、召回率/灵敏度（recall/sensitivity）、特异度（specificity）、信息增益（information gain）及基尼指数（Gini index）。结果（Results）：以幅度准确度（amplitude accuracy, AA）、靶心停留时间（time-on-target, ToT）或欠冲（undershoot, U）为单一参数的模型分类性能最高；而将方向准确度（directional accuracy, DA＝ToT＋U＋O）或Butterfly测试全部参数纳入所有难度等级建立的模型分类概率最均衡。结论（Conclusion）：研究表明，临床应对颈痛患者进行分类时，宜采用Butterfly测试的DA参数组合或全参数组合（计算所有难度等级），以提供最具临床效度的工具。
论文解读：《Multidimensional machine learning approach for classifying patients with neck pain based on movement control test》发表于《Brazilian Journal of Physical Therapy》
一、研究背景与目的
颈痛（neck pain, NP）患者中常见运动协调障碍型亚型，表现为感觉运动缺陷如本体感觉改变及眼－头－颈协调受损，尤以慢性颈痛为甚，因此评估并针对颈部运动控制（cervical movement control）进行康复至关重要。既往测量头部及颈部运动控制的方法多关注颈椎位置觉（cervical position sense），而对运动觉（movement sense，要求头颈在空间和时间上精确调节追随动态目标，依赖本体感觉反馈与前庭－眼动整合）关注较少。Butterfly测试（原Fly test，后改称Butterfly test）是一种有效且可靠的颈部运动控制测试，含三条难度递增、速度轨迹不可预测的靶标路径，可提取幅度准确度（amplitude accuracy, AA，单位mm，头偏离靶标的平均偏差）、靶心停留时间（time-on-target, ToT，%）、欠冲（undershoot, U，头部滞后于靶标的相对时间占比）、过冲（overshoot, O，头部超前于靶标的相对时间占比）及运动平滑度（smoothness of movement, SM，头与靶标位置三阶导数二次和积分之比）等参数，其中ToT、U、O合称方向准确度（directional accuracy, DA）。既往研究多单独分析少数参数或仅关注AA，尚未系统评估各参数及参数组合跨难度等级对颈痛患者与无症状人群的分类／判别效度（discriminant validity）。明确Butterfly测试中哪些参数最佳区分两组人群，有助于揭示特异性运动控制缺损并为临床提供量化诊断依据，因此研究人员开展此项基于机器学习（machine learning, ML）的分类研究。
二、主要技术方法
研究人员招募2020年11月至2021年5月就诊骨科门诊的65例慢性特发性颈痛（VAS＞3/10 cm）患者及50例年龄性别匹配的无症状对照者，排除头颈外伤史、肩臂痛、神经及前庭疾病、2型糖尿病、精神疾病及检查前24 h内服药饮酒者。受试者佩戴头戴式惯性测量单元（inertial measurement unit, IMU）传感器完成NeckCare软件控制的Butterfly测试（易、中、难三级各重复3次），NeckSmart软件计算AA、ToT、U、O、SM参数（取三级各3次重复均值）。采用Orange数据挖掘软件构建随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM，数据z值标准化）及Logistic回归（Logistic Regression, LR，数据z值标准化）分类模型，分别基于：①单一参数单级难度；②同参数跨三级难度；③单级难度全参数；④DA参数跨三级难度；⑤全参数跨三级难度。多参数（＞3）模型经递归特征消除筛选显著变量，所有模型经5折交叉验证并结合Sigmoid校准防过拟合，超参数调优由Python自定义脚本完成。性能指标含AUC（主指标）、CA、F1 score、precision、recall（sensitivity）、specificity，辅以信息增益与Gini指数评估特征贡献，Youden指数确定最佳截断值，校准图（calibration plot）评估预测概率均衡性。
三、研究结果
Results——受试者特征与参数描述
65例颈痛患者（男31/女34，年龄44.2±9.7岁，VAS 4.3±1.8，疼痛持续11.8±8.6月）与50例无症状对照（男22/女28，年龄42.9±10.1岁）基线匹配。颈痛组各难度下AA、U、O、SM中位数高于无症状组，ToT低于无症状组。
Results——单一参数模型性能
Logistic回归较RF和SVM在单参数模型中分类性能最优。单参数模型中AA与ToT（其次为U）获最高AUC、CA、F1及特异度；O与SM最低。中等难度下单参数分类性能最弱。同一参数跨三级难度联合输入略提升AUC、CA、F1及特异度。信息增益最高者为易级与难级AA、易级U，其次为三级ToT、中级U及中级AA。Gini指数最大见于难级AA与易级U，其次为易级AA及三级ToT。O与SM信息增益与Gini指数均最低。Youden指数确定的单参数截断值随难度增加而变：ToT与SM截断值递减，AA、U、O截断值递增。
Results——多参数组合模型性能
全参数单级难度模型中易级与难级优于中级。将DA参数跨三级难度或全参数跨三级难度纳入模型（LR法）均获高AUC、CA、F1及特异度（AUC＝0.91，95%CI 0.87–0.94；CA＝0.86，95%CI 0.79–0.95；F1＝0.87；特异度＝0.89–0.90），性能略优于单用AA或ToT，且两组合模型性能相当。校准图显示单参数或单级全参数模型存低估颈痛患者概率（欠置信）与高估无症状者概率（过置信）；而DA参数跨三级或全参数跨三级模型校准线最接近对角线，分类概率最均衡。
四、讨论与结论翻译
讨论指出，组合参数尤其是AA与ToT跨三级、全参数跨三级或DA参数跨三级的模型判别效度优于单参数单级模型。单参数中AA（尤其难级）与ToT（易级与难级）最具区分力，SM与O区分力低。因颈痛群体异质性强致单参数模型校准不良，多参数综合可弥补此缺陷。颈痛者表现头颈运动更慢、准确度更低（更大AA、更低ToT），可能与运动恐惧（kinesiophobia）及代偿策略有关。研究局限含样本量偏小未细分颈痛亚型及未评估中枢敏化、无症状组未排查工效学因素、Butterfly测试参数重测信度未验，未来需大样本并整合疼痛特征、中枢敏化及眼动功能建更综合模型以识别亚组并指导个体化康复。
结论（Conclusion）翻译：本研究表明Butterfly测试参数具足够判别效度区分颈痛患者与无症状对照者。为获最佳临床适用性，应采用方向准确度（directional accuracy, DA＝time-on-target＋undershoot＋overshoot）参数组合或Butterfly测试全参数组合（计算所有难度等级）作为分类器。结果提示可识别出可能受益于针对性运动及运动控制干预的颈痛患者；需注意无症状并不等同于运动控制完好，提示对无症状人群实施预防性策略以降低颈痛发生风险的潜在价值。
