Maschinelle Lernmodelle zur Vorhersage von Behandlungsergebnissen bei Patienten mit chronischen, nicht-spezifischen Rückenschmerzen, die eine Lumbalextensionstrahlung erhalten

Warum Rückenschmerzen und intelligente Computer für Sie wichtig sind

Chronische Schmerzen im unteren Rücken gehören zu den Hauptgründen, weshalb Menschen Arbeit versäumen, Familienaktivitäten ausfallen lassen oder permanentes Unbehagen ertragen. Es gibt viele Behandlungsoptionen, die jedoch nicht bei allen gleich gut wirken. Diese Studie stellt eine sehr praktische Frage: Lassen sich moderne Computerwerkzeuge, bekannt als maschinelles Lernen, nutzen, um vorherzusagen, welche Patienten am meisten von einer speziellen Wirbelsäulentherapie profitieren, die die natürliche Krümmung im unteren Rücken sanft wiederherstellt?

Ein genauerer Blick auf ein häufiges Rückenproblem

Die untere Wirbelsäule besitzt natürlicherweise eine leichte nach innen gerichtete Krümmung, die Lordose genannt wird. Bei vielen Menschen mit lang andauernden, nicht-spezifischen Schmerzen im unteren Rücken ist diese Krümmung reduziert oder abgeflacht. Diese Veränderung kann beeinflussen, wie Kräfte durch die Wirbelsäule geleitet werden, und Gelenke, Bandscheiben und Muskeln belasten. Eine Behandlung, die Lumbalextensionstrahlung, zielt darauf ab, diese verlorene Krümmung langsam wiederherzustellen, indem der Patient auf einem speziellen Tisch positioniert und über viele Sitzungen eine kontrollierte Zugkraft angelegt wird, die den unteren Rücken nach hinten wölbt. Frühere, kleinere klinische Studien deuteten an, dass dieses Verfahren Schmerzen und Einschränkungen verringern kann, doch Ärzten fehlte bislang eine Möglichkeit, im Voraus zu sagen, wer am besten ansprechen würde.

Wie die Studie durchgeführt wurde

Die Forschenden werteten die Akten von 431 Erwachsenen mit chronischen Schmerzen im unteren Rücken und einer deutlich reduzierten Lendenlordose auf Röntgenaufnahmen aus. Alle Patienten absolvierten ein standardisiertes Rehabilitationsprogramm, das physikalische Therapieelemente wie elektrische Stimulation, Wärme, Dehnübungen und Lumbalextensionstrahlung kombinierte. Die Behandlungen fanden drei- bis sechsmal pro Woche über vier bis zehn Wochen statt, mit Flexibilität zur Anpassung an persönliche Termine und Belastbarkeit. Vor und nach dem Programm maßen die Forschenden die Form der Lendenwirbelsäule auf Röntgenbildern, den Schmerz auf einer Skala von 0–10 und die Behinderung mit einem weit verbreiteten Fragebogen zu Alltagsaktivitäten.

Dem Computer das Vorhersagen beibringen

Um zu prüfen, ob sich die Ergebnisse im Voraus vorhersagen ließen, fütterten die Autoren drei verschiedene Modelle des maschinellen Lernens mit zehn Eingangsgrößen. Zu diesen Eingaben gehörten Alter, Body‑Mass‑Index, anfängliche Wirbelsäulenkrümmung und Beckenwinkel aus Röntgenaufnahmen, Anfangsschmerz- und Behinderungswerte, wie häufig und wie lange die Extension angewendet wurde, Therapietreue (Compliance) und ein beschreibender „Fit‑Typ“, der erfasste, wie gut Wirbelsäulenkrümmung und Beckenwinkel zusammenpassten. Die Computermodelle wurden mit dem Großteil der Patientendaten trainiert und anschließend an den übrigen Daten getestet, wobei Standardmaße verwendete wurden, um zu beurteilen, wie gut die vorhergesagten Ergebnisse mit der Realität übereinstimmten. Zusätzliche Prüfungen untersuchten, welche Faktoren am wichtigsten waren und wie empfindlich die Modelle gegenüber Messrauschen oder fehlenden Informationen waren.

Was die Modelle und die Patienten zeigten

Im Mittel erzielten die Patienten spürbare Verbesserungen: Die Lendenkrümmung nahm um etwa 12 Grad zu, die Schmerzen sanken von rund 7 auf 3 von 10 und die Behinderungswerte fielen auf ungefähr ein Drittel des Ausgangsniveaus. Acht von zehn Patienten erreichten eine weithin akzeptierte Schwelle für wichtige Schmerzlinderung, und mehr als die Hälfte erzielte eine starke Funktionsverbesserung. Unter den eingesetzten Computerwerkzeugen waren zwei baumbasierte Ansätze — Random Forest und XGBoost — am besten darin, vorherzusagen, wer diese Vorteile erzielen würde. Sie erklärten einen großen Teil der Variation in der abschließenden Wirbelsäulenkrümmung, im Schmerz und in der Behinderung, während ein neuronales Netz Schwierigkeiten hatte, die funktionelle Erholung zuverlässig vorherzusagen.

Die wichtigsten Einflussfaktoren

Durch die Analyse, wie die Modelle ihre Entscheidungen trafen, zeigte sich ein konsistentes Muster. Die Ausgangsform der Lendenwirbelsäule und ihr Verhältnis zum Beckenwinkel waren maßgebliche Treiber dafür, ob die Krümmung wiederhergestellt werden konnte. Patienten, deren Wirbelsäulenkrümmung und Beckenwinkel am stärksten „außer Einklang“ waren, zeigten häufig die größten Korrekturen. Wie regelmäßig Personen an ihren Sitzungen teilnahmen (Compliance), wie häufig die Extension pro Woche angewendet wurde, und das Körpergewicht spielten ebenfalls wichtige Rollen, insbesondere für Schmerzergebnisse. Standarddemografien wie das Alter waren weniger entscheidend als die Kombination präziser Röntgenbefunde und der Intensität sowie Regelmäßigkeit der Behandlung.

Was das für Menschen mit Rückenschmerzen bedeutet

Für die alltägliche Patientin oder den Patienten und ihre Behandelnden legt diese Forschung nahe, dass ein individuell abgestimmter Ansatz zur Wiederherstellung der natürlichen Lendenkrümmung sowohl wirksam als auch vorhersehbar sein kann. Sorgfältige Röntgenbefunde zusammen mit Informationen zu Behandlungsplänen und Anwesenheit können in maschinelle Lernwerkzeuge eingespeist werden, die wahrscheinliche Verbesserungen in Schmerz und Funktion abschätzen. Einfach gesagt: Computer können Ärztinnen und Ärzten helfen, die richtigen Patientinnen und Patienten für Lumbalextensionstrahlung zu identifizieren, realistische Erwartungen zu setzen und die Häufigkeit sowie Dauer der Behandlung zu optimieren. Zwar sind weitere Untersuchungen nötig, vor allem mit längerer Nachverfolgung und breiteren Patientengruppen, doch diese Studie weist auf eine Zukunft hin, in der Rückenschmerztherapie personalisierter, datengetriebener und effizienter wird.

Zitation: Moustafa, I.M., Ozsahin, D.U., Mustapha, M.T. et al. Machine learning models for predicting treatment outcomes in chronic non-specific back pain patients undergoing lumbar extension traction. Sci Rep 16, 6738 (2026). https://doi.org/10.1038/s41598-026-38059-9

Schlüsselwörter: chronische Schmerzen im unteren Rücken, Lumbalextensionstrahlung, Wirbelsäulenkrümmung, maschinelles Lernen in der Medizin, Behandlungsprognose