Machine learning identificeert verschillende clusters van bewegingscontrolegestoorde bij patiënten met chronische nekpijn

Waarom nekpijn meer is dan een pijnlijke plek

Nekpijn is nu een van de belangrijkste oorzaken van invaliditeit wereldwijd, en voor veel mensen verdwijnt het niet gewoon na een paar slechte dagen. Het houdt maanden aan, keert herhaaldelijk terug en kan ongemerkt veranderen hoe hoofd en nek bewegen in het dagelijks leven. Toch behandelen artsen chronische nekpijn vaak alsof de meeste patiënten hetzelfde zijn. Deze studie stelt een andere vraag: bestaan er verborgen subgroepen van mensen met nekpijn, elk met een eigen patroon van bewegingsproblemen, die mogelijk verschillende vormen van revalidatie nodig hebben?

Een bewegend doel voor de nek

Om te onderzoeken hoe mensen met chronische nekpijn hun hoofd en nek controleren, gebruikten de onderzoekers een test die de Butterfly-test wordt genoemd. De deelnemers dragen een kleine bewegingssensor op het hoofd en moeten een onvoorspelbaar bewegend doel volgen door hun hoofd te draaien en te knikken. Het doel versnelt, vertraagt en verandert van richting in drie moeilijkheidsniveaus — makkelijk, middel en moeilijk. Uit deze proeven haalde het team verschillende maten: hoeveel tijd het hoofd op het bewegende doel doorbracht, hoe vaak het achterbleef, hoe vaak het vooruit schoot en hoe ver de hoofdpositie in totaal afweek van het ideale pad. Ze combineerden deze bewegingsmaatregelen met de door elke persoon gerapporteerde pijnintensiteit.

Algoritmes laten verborgen groepen vinden

In plaats van van tevoren te beslissen hoe patiënten als “mild” of “ernstig” te labelen, keerden de auteurs zich naar data-gedreven methoden. Ze pasten verschillende clusteringtechnieken toe — wiskundige hulpmiddelen die zoeken naar natuurlijke groeperingen in complexe data — met 13 kenmerken van de Butterfly-test plus pijnscores. Om te beoordelen welke methode mensen het meest zuiver scheidde, gebruikten ze een kwaliteitsmaat die controleert hoe onderscheidend elke cluster is ten opzichte van de anderen. K-means-clustering, een veelgebruikt algoritme, leverde de beste balans tussen duidelijke en redelijk grote groepen. De meest informatieve oplossing deelde de 135 patiënten in vier verschillende clusters, die niet alleen lieten zien hoe beperkt de bewegingen waren maar ook op welke manier ze waren verstoord.

Vier verschillende manieren waarop beweging mis kan gaan

Aan de ene kant van het spectrum was een cluster met slechts geringe bewegingsproblemen en milde tot matige pijn. Deze patiënten hielden hun hoofd over het algemeen dicht bij het doelpad en brachten meer tijd op doel door, met weinig neiging om achter te lopen of te overshooten. Een andere cluster toonde bescheiden tekorten maar een karakteristiek patroon van te langzaam bewegen en achterblijven bij hogere snelheden, wat wijst op een voorzichtige bewegingsstijl die vaak samenhangt met bewegingsangst. Een derde cluster liet grotere problemen zien, vooral het overschieten van het doel, wat duidt op moeite met remmen of fijnregelen van de nekspieren bij het veranderen van richting. De meest aangedane cluster combineerde matige tot ernstige pijn met grote fouten over alle moeilijkheidsniveaus — inclusief het verondersteld makkelijke niveau — en toonde zowel uitgesproken achterlopen als overschieten, wat wijst op een brede verstoring van de bewegingscontrole van de nek.

Van patronen naar gepersonaliseerde hulpmiddelen

Om te testen of deze clusters betrouwbaar herkend konden worden, trainden de onderzoekers meerdere machine-learningmodellen om het clustertal te voorspellen op basis van dezelfde bewegings- en pijngegevens. Neurale netwerken en gecombineerde "gestapelde" modellen konden patiënten met zeer hoge nauwkeurigheid, gevoeligheid en specificiteit in de vier groepen indelen, ver boven het prestatieniveau van een simpele dichtsteburenregel. Met een techniek genaamd SHAP onderzocht het team vervolgens welke bewegingskenmerken het sterkst bijdroegen aan deze beslissingen. Maten van hoe ver patiënten het doel overschoten of onderschoten, vooral bij middel en hoge moeilijkheid, kwamen naar voren als sleutelvariabelen die de clusters van elkaar onderscheiden.

Wat dit betekent voor mensen die met nekpijn leven

Voor een niet-specialistische lezer is de conclusie dat chronische nekpijn geen uniform probleem is. Wanneer patiënten wordt gevraagd een onvoorspelbaar bewegend doel te volgen, vallen ze van nature in meerdere verschillende patronen van bewegingscontrole — sommige voornamelijk langzamer en voorzichtiger, andere minder stabiel en gevoeliger voor overschieten, en sommige ernstig verstoord over de hele linie. De studie laat zien dat moderne data-analysemethoden deze verborgen profielen betrouwbaar kunnen detecteren op basis van een korte bewegingsproef en een pijnscore. Hoewel dit werk een vroeg proof-of-concept is, wijst het op een toekomst waarin revalidatie voor nekpijn wordt afgestemd op iemands specifieke bewegingscontrolepatroon in plaats van een one-size-fits-all-programma aan te bieden.

Bronvermelding: 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

Trefwoorden: chronische nekpijn, bewegingscontrole, kinesthetische test, machine learning, rehabilitatie-subgroepen