Machine learning-modellen voor het voorspellen van behandelresultaten bij patiënten met chronische niet-specifieke rugpijn die ondergaan aan lumbaire extensietraction

Waarom rugpijn en slimme computers voor u belangrijk zijn

Chronische lage rugpijn is een van de belangrijkste redenen dat mensen werk missen, familiebijeenkomsten overslaan of constant ongemak ervaren. Er bestaan veel behandelingen, maar ze werken niet voor iedereen even goed. Deze studie stelt een zeer praktische vraag: kunnen we moderne computergereedschappen, bekend als machine learning, gebruiken om te voorspellen welke patiënten het meest baat zullen hebben bij een specifieke wervelkolomtherapie die de natuurlijke kromming in de onderrug langzaam herstelt?

Een nadere blik op een veelvoorkomend rugprobleem

De onderrug heeft van nature een lichte naar binnen gerichte kromming, lordose genoemd. Bij veel mensen met aanhoudende, niet-specifieke lage rugpijn is deze kromming verminderd of afgevlakt. Die verandering kan beïnvloeden hoe krachten door de wervelkolom lopen, waardoor gewrichten, tussenwervelschijven en spieren meer belast worden. Een behandeling, lumbaire extensietraction, is bedoeld om deze verloren kromming geleidelijk te herstellen door de patiënt op een gespecialiseerd tafel te plaatsen en een gecontroleerde trekkracht toe te passen die de onderrug over meerdere sessies doet buigen. Eerdere, kleine klinische onderzoeken suggereerden dat deze methode pijn en beperkingen kan verminderen, maar artsen hadden nog geen manier om vooraf te bepalen wie het beste zou reageren.

Hoe de studie is uitgevoerd

De onderzoekers bestudeerden de dossiers van 431 volwassenen met chronische lage rugpijn en een duidelijk verminderde lumbale kromming op röntgenfoto. Alle patiënten volgden een gestandaardiseerd revalidatieprogramma dat fysiotherapeutische methoden combineerde, zoals elektrische stimulatie, warmte, rekoefeningen en lumbaire extensietraction. Behandelingen werden drie tot zes keer per week gegeven gedurende vier tot tien weken, met flexibiliteit om aan het schema en de tolerantie van elke persoon aan te passen. Voorafgaand aan en na het programma maten het team de vorm van de onderrug op röntgenfoto, pijn op een schaal van 0–10 en beperkingen met een veelgebruikte vragenlijst over dagelijkse activiteiten.

De computer leren herstel voorspellen

Om te onderzoeken of uitkomsten van tevoren te voorspellen waren, voerden de auteurs tien gegevenspunten in drie verschillende machine learning-modellen in. Deze invoer omvatte leeftijd, bodymassindex, aanvangskromming van de wervelkolom en bekkenhoek op röntgenfoto’s, beginnende pijn- en beperkingsscores, hoe vaak en hoe lang traction werd toegepast, therapietrouw en een beschrijvend “fit-type” dat vastlegde hoe goed de wervelkromming en bekkenhoek op elkaar aansloten. De computersystemen werden getraind op het grootste deel van de patiëntgegevens en daarna getest op de rest, met gebruik van standaardmaatregelen om te zien hoe goed de voorspelde resultaten overeenkwamen met de werkelijkheid. Aanvullende controles onderzochten welke factoren het meest van belang waren en hoe gevoelig de modellen waren voor meetruis of ontbrekende informatie.

Wat de modellen en patiënten onthulden

Gemiddeld behaalden patiënten noemenswaardige verbeteringen: de onderrugkromming nam toe met ongeveer 12 graden, de pijn daalde van rond 7 naar 3 op een schaal van 10, en de beperkingsscores daalden tot ongeveer een derde van het beginniveau. Acht van de tien patiënten bereikten een algemeen geaccepteerde drempel voor betekenisvolle pijnvermindering, en meer dan de helft liet sterke functionele verbetering zien. Onder de computermodellen bleken twee boomgebaseerde benaderingen — Random Forest en XGBoost — het beste in het voorspellen wie deze voordelen zou bereiken. Zij verklaarden een groot deel van de variatie in de eindstand van de wervelkromming, pijn en beperkingen, terwijl een neuraal netwerk moeite had met het voorspellen van functioneel herstel.

De factoren die het meest belangrijk zijn

Door te analyseren hoe de modellen hun beslissingen namen, vond het team een consistent patroon. De aanvangsvorm van de onderrug en de relatie tot de bekkenhoek waren belangrijke bepalende factoren voor of de kromming hersteld kon worden. Patiënten wiens kromming en bekken het meest “niet in sync” waren, lieten vaak de grootste correcties zien. Hoe regelmatig mensen hun sessies bijwoonden (therapietrouw), hoe vaak traction per week werd toegepast en lichaamsgewicht speelden ook belangrijke rollen, vooral voor pijnresultaten. Standaarddemografische gegevens zoals leeftijd waren minder bepalend dan de combinatie van nauwkeurige röntgenbevindingen en de intensiteit en regelmaat van de behandeling.

Wat dit betekent voor mensen met rugpijn

Voor de dagelijkse patiënt en hun behandelaar suggereert dit onderzoek dat een op maat gerichte benadering om de natuurlijke onderrugkromming te herstellen zowel effectief als voorspelbaar kan zijn. Zorgvuldige röntgenbeoordeling, gecombineerd met informatie over behandelplannen en aanwezigheid, kan worden ingevoerd in machine learning-instrumenten die waarschijnlijke verbeteringen in pijn en functie inschatten. Simpel gezegd kunnen computers artsen helpen de juiste patiënten te matchen met lumbaire extensietraction, realistische verwachtingen te scheppen en de frequentie en duur van de behandeling te verfijnen. Hoewel meer onderzoek nodig is, vooral met langere follow-up en bredere patiëntengroepen, wijst deze studie in de richting van een toekomst waarin rugpijnzorg meer gepersonaliseerd, data-gedreven en efficiënt is.

Bronvermelding: 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

Trefwoorden: chronische lage rugpijn, lumbaire extensietraction, wervelkolomkromming, machine learning in de geneeskunde, behandelvoorspelling