Il machine learning individua distinti cluster di compromissione del controllo del movimento in pazienti con dolore cronico al collo

Perché il dolore al collo è più di un semplice punto dolente

Il dolore al collo è oggi una delle principali cause di disabilità a livello mondiale e, per molte persone, non scompare semplicemente dopo qualche giorno. Persiste per mesi, si ripresenta periodicamente e può modificare in modo sottile il modo in cui testa e collo si muovono nella vita quotidiana. Tuttavia i medici spesso trattano il dolore cronico al collo come se la maggior parte dei pazienti fosse uguale. Questo studio pone una domanda diversa: esistono sottogruppi nascosti di persone con dolore al collo, ciascuno con un proprio schema di problemi di movimento, che potrebbero richiedere tipi diversi di riabilitazione?

Un bersaglio in movimento per il collo

Per indagare come le persone con dolore cronico al collo controllano testa e collo, i ricercatori hanno usato un test chiamato Butterfly test. I partecipanti indossano un piccolo sensore di movimento sulla testa e devono seguire un bersaglio che si muove in modo imprevedibile, ruotando e inclinando la testa. Il bersaglio accelera, rallenta e cambia direzione su tre livelli di difficoltà—facile, medio e difficile. Da queste prove il team ha estratto diverse misure: quanto tempo la testa è rimasta sul bersaglio in movimento, quanto spesso è rimasta indietro, quanto spesso è andata in avanti e quanto in generale la posizione della testa si è discostata dal percorso ideale. Hanno combinato queste misure del movimento con l’intensità del dolore riferita da ciascuna persona.

Lasciare che gli algoritmi trovino i gruppi nascosti

Invece di decidere a priori come etichettare i pazienti come “lieve” o “grave”, gli autori si sono rivolti a metodi guidati dai dati. Hanno applicato diverse tecniche di clustering—strumenti matematici che cercano raggruppamenti naturali in dati complessi—usando 13 caratteristiche del Butterfly test più le valutazioni del dolore. Per giudicare quale metodo separava le persone in modo più netto, hanno usato una misura di qualità che verifica quanto ogni cluster sia distinto dagli altri. Il clustering K-means, un algoritmo ampiamente usato, ha fornito il miglior equilibrio tra gruppi chiari e di dimensioni ragionevoli. La soluzione più informativa ha diviso i 135 pazienti in quattro cluster distinti, ognuno dei quali rifletteva non solo quanto fossero compromessi i movimenti ma anche in che modo essi risultavano compromessi.

Quattro modi diversi in cui il movimento può andare storto

All’estremo meno grave c’era un cluster con problemi di movimento solo lievi e dolore da lieve a moderato. Questi pazienti in genere mantenevano la testa vicino al percorso del bersaglio e trascorrevano più tempo sul bersaglio, con poca tendenza a rimanere indietro o a superarlo. Un altro cluster mostrava deficit modesti ma uno schema caratteristico di movimenti troppo lenti e con ritardo rispetto al bersaglio alle velocità più elevate, suggerendo uno stile di movimento prudente spesso collegato alla paura del movimento. Un terzo cluster presentava problemi maggiori, specialmente nel superare il bersaglio, suggerendo difficoltà nel frenare o nel controllare finemente i muscoli del collo durante i cambi di direzione. Il cluster più compromesso combinava dolore da moderato a severo con grandi errori a tutti i livelli di difficoltà—incluso quello considerato facile—and mostrava sia marcati ritardi sia tendenza a sovracorreggere, indicando una vasta alterazione del controllo del movimento del collo.

Da schemi a strumenti personalizzati

Per verificare se questi cluster potevano essere riconosciuti in modo affidabile, i ricercatori hanno addestrato diversi modelli di machine learning per prevedere l’appartenenza ai cluster a partire dalle stesse misure di movimento e dal punteggio del dolore. Reti neurali e modelli combinati “impilati” (stacked) sono stati in grado di assegnare i pazienti ai quattro gruppi con precisione, sensibilità e specificità molto elevate, superando di gran lunga una semplice regola del vicino più vicino. Usando una tecnica chiamata SHAP, il team ha poi esaminato quali caratteristiche del movimento influenzavano più fortemente queste decisioni. Le misure di quanto i pazienti superavano o mancavano il bersaglio, specialmente a difficoltà medio-alte, sono emerse come elementi chiave che distinguevano i cluster l’uno dall’altro.

Cosa significa per chi convive con il dolore al collo

Per il lettore non specialistico, la conclusione è che il dolore cronico al collo non è un problema unico e uniforme. Quando viene chiesto di seguire un bersaglio in movimento imprevedibile, i pazienti si distribuiscono naturalmente in diversi schemi distinti di controllo del movimento—alcuni principalmente più lenti e prudenti, altri meno stabili e più inclini a sovracorreggere, e alcuni gravemente compromessi su tutta la linea. Lo studio mostra che i moderni metodi di analisi dei dati possono rilevare in modo affidabile questi profili nascosti a partire da un breve test di movimento e da un punteggio di dolore. Sebbene questo lavoro sia una prova di principio iniziale, indica una strada verso un futuro in cui la riabilitazione per il dolore al collo sia adattata al profilo specifico di controllo del movimento della persona, piuttosto che proposta come programma uguale per tutti.

Citazione: 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

Parole chiave: dolore cronico al collo, controllo del movimento, test cinestetico, machine learning, sottogruppi riabilitativi