Maschinelles Lernen identifiziert unterschiedliche Cluster von Bewegungssteuerungsstörungen bei Patient:innen mit chronischen Nackenschmerzen

Warum Nackenschmerzen mehr sind als nur eine schmerzhafte Stelle

Nackenschmerzen gehören inzwischen zu den weltweit führenden Ursachen für Behinderung, und für viele Menschen klingen sie nicht einfach nach ein paar schlechten Tagen ab. Sie halten Monate an, kehren wieder und können unauffällig die Art verändern, wie Kopf und Hals sich im Alltag bewegen. Ärzt:innen behandeln chronische Nackenschmerzen jedoch häufig so, als wären die meisten Patient:innen gleich. Diese Studie stellt eine andere Frage: Gibt es versteckte Untergruppen von Betroffenen, jede mit einem eigenen Muster von Bewegungsstörungen, die unterschiedliche Rehabilitationsformen benötigen könnten?

Ein bewegliches Ziel für den Nacken

Um zu untersuchen, wie Menschen mit chronischen Nackenschmerzen Kopf und Hals steuern, verwendeten die Forschenden einen Test namens Butterfly-Test. Die Teilnehmenden tragen einen kleinen Bewegungssensor am Kopf und sollen einem unvorhersehbar bewegten Ziel folgen, indem sie Kopfbewegungen in Dreh- und Nickrichtung ausführen. Das Ziel beschleunigt, verlangsamt sich und ändert die Richtung in drei Schwierigkeitsstufen – leicht, mittel und schwer. Aus diesen Durchläufen extrahierte das Team mehrere Messgrößen: wie viel Zeit der Kopf auf dem bewegten Ziel verbrachte, wie oft er nachsank, wie oft er zu weit vorauseilte und wie weit die Kopfposition insgesamt vom idealen Pfad abwich. Diese Bewegungsmaße kombinierten sie mit der von jeder Person angegebenen Schmerzintensität.

Algorithmen suchen nach verborgenen Gruppen

Anstatt im Vorfeld zu entscheiden, welche Patient:innen als „leicht“ oder „schwer“ zu klassifizieren sind, nutzten die Autor:innen datengetriebene Methoden. Sie wandten mehrere Clusterverfahren an – mathematische Werkzeuge, die in komplexen Daten nach natürlichen Gruppierungen suchen – und verwendeten 13 Merkmale aus dem Butterfly-Test plus Schmerzbewertungen. Um zu beurteilen, welche Methode die Gruppen am klarsten trennte, nutzten sie ein Qualitätsmaß, das überprüft, wie deutlich sich die Cluster voneinander unterscheiden. K-means-Clustering, ein weit verbreiteter Algorithmus, lieferte die beste Balance aus klaren und sinnvoll großen Gruppen. Die informativste Lösung unterteilte die 135 Patient:innen in vier unterschiedliche Cluster, die nicht nur das Ausmaß der Bewegungsbeeinträchtigung widerspiegelten, sondern auch wie diese Beeinträchtigungen auftraten.

Vier verschiedene Arten, wie Bewegung fehlgehen kann

Am einen Ende des Spektrums stand ein Cluster mit nur geringfügigen Bewegungsproblemen und leicht bis mäßig ausgeprägten Schmerzen. Diese Patient:innen hielten ihren Kopf im Allgemeinen nahe am Zielpfad und verbrachten mehr Zeit auf Ziel, mit wenig Neigung zum Nachhinken oder Vorauseilen. Ein anderes Cluster zeigte moderate Defizite, aber ein charakteristisches Muster: zu langsame Bewegungen und Nachhinken hinter dem Ziel bei höheren Geschwindigkeiten, was auf einen vorsichtigen Bewegungsstil hindeutet, der oft mit Bewegungssorge verknüpft ist. Ein drittes Cluster wies stärkere Probleme auf, insbesondere ein häufiges Vorauseilen des Ziels, was auf Schwierigkeiten beim Bremsen oder in der feinen Kontrolle der Nackenmuskulatur bei Richtungswechseln hindeutet. Das am stärksten beeinträchtigte Cluster kombinierte mäßige bis starke Schmerzen mit großen Fehlern über alle Schwierigkeitsgrade hinweg – einschließlich der angeblich leichten Stufe – und zeigte sowohl ausgeprägtes Nachhinken als auch Vorauseilen, was auf eine breit gefächerte Störung der Nackenbewegungssteuerung hindeutet.

Von Mustern zu personalisierten Werkzeugen

Um zu prüfen, ob diese Cluster zuverlässig erkannt werden können, trainierten die Forschenden mehrere maschinelle Lernmodelle, um die Clusterzugehörigkeit anhand derselben Bewegungs- und Schmerzdaten vorherzusagen. Neuronale Netze und kombinierte „gestapelte“ Modelle konnten Patient:innen mit sehr hoher Genauigkeit, Sensitivität und Spezifität den vier Gruppen zuordnen und übertrafen damit deutlich eine einfache nächstgelegene-Nachbar-Regel. Mithilfe einer Technik namens SHAP untersuchte das Team anschließend, welche Bewegungsmerkmale diese Entscheidungen am stärksten beeinflussten. Messwerte dafür, wie weit Patient:innen das Ziel über- oder unterschossen, insbesondere bei mittlerer und hoher Schwierigkeit, erwiesen sich als Schlüsselkomponenten, die die Cluster voneinander unterschieden.

Was das für Menschen mit Nackenschmerzen bedeutet

Für eine breite Leserschaft ist die Schlussfolgerung, dass chronische Nackenschmerzen kein einheitliches Problem sind. Wenn Patient:innen aufgefordert werden, einem unvorhersehbar bewegten Ziel zu folgen, fallen sie natürlicherweise in mehrere deutlich unterschiedliche Muster der Bewegungssteuerung – einige sind hauptsächlich langsamer und vorsichtig, andere weniger stabil und anfälliger für Vorauseilen, und manche zeigen eine schwere Störung über das ganze Spektrum. Die Studie zeigt, dass moderne Datenanalysemethoden diese verborgenen Profile zuverlässig aus einem kurzen Bewegungstest und einer Schmerzskala erkennen können. Während diese Arbeit als früher Proof-of-Concept zu betrachten ist, deutet sie auf eine Zukunft hin, in der die Rehabilitation bei Nackenschmerzen an das spezifische Bewegungssteuerungsmuster einer Person angepasst wird, statt als Einheitsprogramm angeboten zu werden.

Zitation: Majcen Rosker, Z., Rosker, J. Machine learning identifies distinct movement control impairment clusters in patients with chronic neck pain. Sci Rep 16, 12993 (2026). https://doi.org/10.1038/s41598-026-43903-z

Schlüsselwörter: chronische Nackenschmerzen, Bewegungssteuerung, kinästhetische Tests, maschinelles Lernen, Rehabilitationsuntergruppen