
-
生物通官微
陪你抓住生命科技
跳动的脉搏
运用监督机器学习探讨疼痛相关恐惧与举重生物力学在预测腰痛发病率中的作用
《Scientific Reports》:Exploring the role of pain-related fear and lifting biomechanics in predicting low back pain incidence using supervised machine learning
【字体: 大 中 小 】 时间:2026年07月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要在举重过程中,对疼痛的恐惧感越强,腰椎的活动范围就越小,这表明恐惧会促使人们采取保护性动作策略,但可能会带来负面后果。然而,与特定任务相关的疼痛恐惧感以及举重时的动作特征在腰痛发病中的作用仍不明确。本研究旨在构建并评估一种基于机器学习的模型,用以预测一年内的腰痛发病率,并确定
在举重过程中,对疼痛的恐惧感越强,腰椎的活动范围就越小,这表明恐惧会促使人们采取保护性动作策略,但可能会带来负面后果。然而,与特定任务相关的疼痛恐惧感以及举重时的动作特征在腰痛发病中的作用仍不明确。本研究旨在构建并评估一种基于机器学习的模型,用以预测一年内的腰痛发病率,并确定最重要的预测因素。研究共纳入156名健康参与者作为基线数据,这些数据包括与疼痛相关的恐惧感、人口统计学信息、健康状况和生活方式因素,以及他们在举重15公斤时的腰椎活动范围和整体举重策略。通过每两周一次的问卷调查来评估腰痛发病率。我们使用可解释提升机模型,根据基线变量来预测一年内的腰痛发病率。最终模型的样本外预测准确率为0.815,ROC AUC值为0.839。最重要的预测因素包括较高的体重指数、较差的睡眠质量、更强的举重相关疼痛恐惧感以及更小的腰椎活动范围。这一预测性能表明,机器学习方法有助于根据特定标准识别出腰痛高风险人群。这些研究结果强调了举重相关疼痛恐惧感及举重动作特征在腰痛发病中的重要作用,同时也凸显了导致腰痛发病的多因素影响。
生物通微信公众号