Modele uczenia maszynowego do przewidywania wyników leczenia u pacjentów z przewlekłym nieswoistym bólem krzyża poddawanych trakcji wyprostnej lędźwiowej

Dlaczego ból pleców i inteligentne komputery mają dla ciebie znaczenie

Przewlekły ból dolnego odcinka kręgosłupa jest jedną z głównych przyczyn nieobecności w pracy, rezygnacji z aktywności rodzinnych i życia z ciągłym dyskomfortem. Istnieje wiele metod leczenia, ale nie działają one jednakowo u wszystkich. To badanie stawia praktyczne pytanie: czy można wykorzystać nowoczesne narzędzia komputerowe, znane jako uczenie maszynowe, do przewidzenia, którzy pacjenci skorzystają najbardziej z konkretnej terapii przywracającej łagodnie naturalną krzywiznę dolnej części pleców?

Bliższe spojrzenie na powszechny problem z plecami

Dolny odcinek kręgosłupa ma naturalnie łagodną wklęsłość zwaną lordozą. U wielu osób z długo trwającym, nieswoistym bólem lędźwiowym ta krzywizna jest zmniejszona lub spłaszczona. Zmiana ta może zmieniać sposób przenoszenia sił przez kręgosłup, obciążając stawy, krążki międzykręgowe i mięśnie. Jedna z metod — trakcja wyprostna lędźwiowa — ma na celu stopniowe przywrócenie utraconej krzywizny poprzez umieszczenie pacjenta na specjalistycznym stole i zastosowanie kontrolowanego rozciągania, które wygina dolną część pleców podczas wielu sesji. Wcześniejsze, niewielkie badania kliniczne sugerowały, że ta metoda może zmniejszać ból i niepełnosprawność, ale lekarze wciąż nie mieli sposobu, by z wyprzedzeniem określić, kto zareaguje najlepiej.

Jak przeprowadzono badanie

Naukowcy przejrzeli dokumentację 431 dorosłych z przewlekłym bólem lędźwiowym i wyraźnie zmniejszoną krzywizną lędźwiową na zdjęciu rentgenowskim. Wszyscy pacjenci stosowali ustandaryzowany program rehabilitacji łączący metody fizjoterapeutyczne, takie jak elektrostymulacja, ciepło, ćwiczenia rozciągające oraz trakcja wyprostna lędźwiowa. Zabiegi wykonywano trzy do sześciu razy w tygodniu przez cztery do dziesięciu tygodni, z elastycznością dopasowaną do grafiku i tolerancji pacjenta. Przed i po programie zespół mierzył kształt dolnego odcinka kręgosłupa na zdjęciu rentgenowskim, ból na skali 0–10 oraz niepełnosprawność za pomocą powszechnie stosowanego kwestionariusza dotyczącego codziennych aktywności.

Nauczanie komputera prognozowania powrotu do zdrowia

Aby sprawdzić, czy wyniki można przewidzieć z wyprzedzeniem, autorzy wprowadzili dziesięć informacji do trzech różnych modeli uczenia maszynowego. Do wejść należały wiek, wskaźnik masy ciała, początkowa krzywizna kręgosłupa i kąt miednicy na zdjęciach RTG, początkowe wartości bólu i niepełnosprawności, jak często i jak długo stosowano trakcję, zgodność z zaleceniami terapeutycznymi oraz opisowy „typ dopasowania”, oddający, jak dobrze krzywizna kręgosłupa współgrała z kątem miednicy. Systemy komputerowe były trenowane na większości danych pacjentów, a następnie testowane na pozostałych, z użyciem standardowych miar sprawdzających, jak dobrze przewidywane wyniki odpowiadały rzeczywistości. Dodatkowe testy badały, które czynniki miały największe znaczenie oraz jak modele reagują na szumy pomiarowe lub brakujące dane.

Co ujawniły modele i pacjenci

Średnio pacjenci osiągnęli istotne poprawy: krzywizna lędźwiowa zwiększyła się o około 12 stopni, ból spadł z około 7 do 3 w skali 0–10, a wyniki niepełnosprawności zmniejszyły się do mniej więcej jednej trzeciej poziomu wyjściowego. Osiem na dziesięć osób osiągnęło powszechnie akceptowany próg istotnej ulgi w bólu, a ponad połowa odnotowała znaczną poprawę funkcji. Spośród narzędzi komputerowych najlepsze okazały się dwie metody oparte na drzewach decyzyjnych — Random Forest i XGBoost. Wyjaśniały one dużą część zmienności w końcowej krzywiźnie kręgosłupa, bólu i niepełnosprawności, podczas gdy model sieci neuronowej miał trudności z przewidywaniem poprawy funkcjonalnej.

Czynniki, które mają największe znaczenie

Analizując sposób podejmowania decyzji przez modele, zespół znalazł spójny wzorzec. Wyjściowy kształt dolnego odcinka kręgosłupa i jego relacja do kąta miednicy były głównymi czynnikami decydującymi o tym, czy krzywiznę można przywrócić. Pacjenci, których krzywizna i miednica były najbardziej „niezsynchronizowane”, często wykazywali największe korekcje. Ważną rolę odgrywała również regularność uczęszczania na sesje (zgodność), częstotliwość stosowania trakcji w tygodniu oraz masa ciała, zwłaszcza w odniesieniu do wyników bólu. Standardowe dane demograficzne, takie jak wiek, miały mniejsze znaczenie niż połączenie precyzyjnych wyników rentgenowskich oraz intensywności i regularności leczenia.

Co to oznacza dla osób z bólem pleców

Dla przeciętnego pacjenta i jego lekarza badanie to sugeruje, że spersonalizowane podejście do przywracania naturalnej krzywizny lędźwiowej może być zarówno skuteczne, jak i przewidywalne. Staranna ocena rentgenowska, połączona z informacjami o planie leczenia i frekwencji, może zasilać narzędzia uczenia maszynowego szacujące prawdopodobne poprawy bólu i funkcji. Mówiąc prościej: komputery mogą pomóc lekarzom dopasować właściwych pacjentów do trakcji wyprostnej lędźwiowej, ustalić realistyczne oczekiwania i dostosować częstotliwość oraz długość terapii. Choć potrzebne są dalsze badania, zwłaszcza z dłuższym okresem obserwacji i szerszymi grupami pacjentów, to badanie wskazuje na przyszłość, w której opieka nad bólem pleców będzie bardziej spersonalizowana, oparta na danych i efektywna.

Cytowanie: 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

Słowa kluczowe: przewlekły ból dolnego odcinka kręgosłupa, trakcja wyprostna lędźwiowa, krzywizna kręgosłupa, uczenie maszynowe w medycynie, predykcja wyników leczenia