شناسایی زیرگروه های حرکتی در بیماران با گردن درد مزمن: به سوی حرکات اصلاحی شخصی سازی شده با استفاده از یادگیری ماشین

مقدمه: گردن درد مزمن یک اختلال شایع و ناهمگن است که پاسخ بیماران مختلف به یک برنامه حرکات اصلاحی یکسان، بسیار متفاوت است. این تنوع نشان می دهد که رویکردهای سنتی در طبقه بندی بیماران، الگوهای حرکتی پنهان را نادیده می گیرند. هدف این مقاله، ارائه یک چارچوب مفهومی برای شناسایی زیرگروه های حرکتی در بیماران مبتلا به گردن درد مزمن با بهره گیری از یادگیری ماشین، به منظور دستیابی به حرکات اصلاحی شخصی سازی شده است. روش کار: در این رویکرد پیشنهادی، ابتدا مجموعه ای از متغیرهای بالینی و رفتاری ساده شامل زاویه سر به جلو، دامنه حرکتی فعال چرخش و خم شدن گردن، الگوی جبرانی شانه در حرکت بازو و گزارش بیمار از وضعیت های تشدیدکننده درد ثبت می شود. سپس با استفاده از الگوریتم های خوشه بندی غیرنظارتی (مانند K-Means) و بدون نیاز به داده های آزمایشگاهی پیچیده، بیماران در زیرگروه های حرکتی مجزا دسته بندی می شوند. این خوشه بندی بر پایه شباهت در الگوی نقص حرکتی انجام می گیرد و هر زیرگروه معرف یک استراتژی جبرانی ویژه است. بحث: بر اساس شواهد موجود، انتظار می رود سه زیرگروه حرکتی اصلی قابل شناسایی باشند: گروه اول با الگوی غالب جلوآمدگی سر و بیش فعالی ذوزنقه فوقانی، گروه دوم با الگوی اکستنشن گردن و ضعف فلکسورهای عمقی، و گروه سوم با الگوی چرخشی نامتقارن و درگیری یک طرفه. هر یک از این زیرگروه ها، نیازمند طراحی اختصاصی حرکات اصلاحی است؛ برای مثال گروه اول به تمرینات عقب کشیدگی چانه و مهار ذوزنقه فوقانی پاسخ می دهد، در حالی که گروه دوم به تقویت فلکسورهای عمقی نیاز دارد. نتیجه گیری: به کارگیری یادگیری ماشین برای شناسایی زیرگروه های حرکتی در گردن درد مزمن، چشم انداز جدیدی در حرکات اصلاحی شخصی سازی شده ایجاد می کند. این رویکرد بدون نیاز به داده سازی پیچیده، می تواند هماهنگی بین الگوی نقص حرکتی و نوع مداخله را بهبود بخشد. پیشنهاد می شود مطالعات آتی، روایی بالینی این زیرگروه ها را در طراحی برنامه های تمرینی هدفمند بررسی کنند.

کلیدواژه ها:

گردن درد مزمن ، زیرگروه های حرکتی ، یادگیری ماشین ، حرکات اصلاحی شخصی سازی شده ، آسیب شناسی اسکلتی-عضلانی ، الگوهای جبرانی