Uczenie maszynowe identyfikuje odrębne klastry zaburzeń kontroli ruchu u chorych z przewlekłym bólem szyi

Dlaczego ból szyi to coś więcej niż tylko nadwrażliwe miejsce

Ból szyi jest obecnie jedną z głównych przyczyn niepełnosprawności na świecie i dla wielu osób nie znika po kilku złych dniach. Utrzymuje się przez miesiące, nawraca i może subtelnie przekształcać sposób, w jaki głowa i szyja poruszają się w codziennym życiu. Tymczasem lekarze często traktują przewlekły ból szyi, jakby większość pacjentów była taka sama. To badanie stawia inne pytanie: czy istnieją ukryte podgrupy osób z bólem szyi, z których każda ma własny wzorzec zaburzeń ruchowych, wymagający innego rodzaju rehabilitacji?

Ruchomy cel dla szyi

Aby sprawdzić, jak osoby z przewlekłym bólem szyi kontrolują głowę i szyję, badacze użyli testu nazwanego testem Motyla (Butterfly). Uczestnicy nosili mały czujnik ruchu na głowie i mieli za zadanie śledzić nieprzewidywalnie poruszający się cel, obracając i kiwając głową. Cel przyspieszał, zwalniał i zmieniał kierunek na trzech poziomach trudności — łatwym, średnim i trudnym. Z tych prób zespół wyodrębnił kilka miar: ile czasu głowa spędzała na celu, jak często pozostawała w tyle, jak często wyprzedzała cel oraz jak bardzo ogólnie pozycja głowy odbiegała od idealnej ścieżki. Połączyli te mierniki ruchu z oceną natężenia bólu zgłaszaną przez każdą osobę.

Pozwalanie algorytmom znaleźć ukryte grupy

Zamiast z góry decydować, jak zaklasyfikować pacjentów jako „łagodnych” czy „ciężkich”, autorzy sięgnęli po metody oparte na danych. Zastosowali kilka technik klasteryzacji — narzędzi matematycznych poszukujących naturalnych grup w złożonych danych — używając 13 cech z testu Motyla oraz ocen bólu. Aby ocenić, która metoda najlepiej rozdzielała osoby, użyli miary jakości sprawdzającej, jak wyraźnie każdy klaster odróżnia się od pozostałych. Klasteryzacja k-średnich (k-means), powszechnie stosowany algorytm, dała najlepszy balans pomiędzy przejrzystymi a umiarkowanie dużymi grupami. Najbardziej informatywne rozwiązanie podzieliło 135 pacjentów na cztery odrębne klastry, z których każdy odzwierciedlał nie tylko stopień zaburzeń ruchowych, ale też w jaki sposób były one obecne.

Cztery różne sposoby, w jakie ruch może się nie powieść

Na jednym końcu spektrum znajdował się klaster z niewielkimi problemami ruchowymi i bólem od łagodnego do umiarkowanego. Ci pacjenci generalnie trzymali głowę blisko ścieżki celu i spędzali więcej czasu na celu, z niewielką tendencją do pozostawania w tyle lub wyprzedzania. Inny klaster wykazywał umiarkowane deficyty, ale charakterystyczny wzorzec poruszania się zbyt wolno i zalegania za celem przy wyższych prędkościach, co sugeruje ostrożny styl ruchu często związany z lękiem przed ruchem. Trzeci klaster miał większe problemy, szczególnie z wyprzedzaniem celu, co sugeruje trudności z hamowaniem lub precyzyjną kontrolą mięśni szyi przy zmianie kierunku. Najbardziej upośledzona grupa łączyła ból od umiarkowanego do silnego z dużymi błędami na wszystkich poziomach trudności — także na rzekomo łatwym — i wykazywała zarówno wyraźne opóźnienia, jak i wyprzedzanie, co wskazuje na szerokie zaburzenie kontroli ruchu szyi.

Od wzorców do spersonalizowanych narzędzi

Aby sprawdzić, czy te klastry można rozpoznawać niezawodnie, badacze wytrenowali kilka modeli uczenia maszynowego do przewidywania przynależności do klastra na podstawie tych samych danych o ruchu i bólu. Sieci neuronowe oraz złożone modele „stacked” były w stanie przypisać pacjentów do czterech grup z bardzo wysoką dokładnością, czułością i swoistością, znacznie przewyższając prostą regułę najbliższego sąsiada. Korzystając z techniki zwanej SHAP, zespół następnie przeanalizował, które cechy ruchu najmocniej wpływały na te decyzje. Miary dotyczące tego, jak bardzo pacjenci wyprzedzali lub pozostawali w tyle za celem, szczególnie przy średnim i wysokim stopniu trudności, okazały się kluczowymi składnikami odróżniającymi klastry.

Co to znaczy dla osób żyjących z bólem szyi

Dla czytelnika niebędącego specjalistą wniosek jest taki, że przewlekły ból szyi nie jest jednorodnym problemem. Po poproszeniu o śledzenie nieprzewidywalnego ruchomego celu pacjenci naturalnie dzielą się na kilka odrębnych wzorców kontroli ruchu — niektórzy poruszają się głównie wolniej i ostrożniej, inni są mniej stabilni i mają skłonność do wyprzedzania, a u niektórych zaburzenia są poważne i rozległe. Badanie pokazuje, że nowoczesne metody analizy danych potrafią niezawodnie wykryć te ukryte profile na podstawie krótkiego testu ruchowego i oceny bólu. Choć praca ta jest wczesnym dowodem koncepcji, wskazuje na przyszłość, w której rehabilitacja bólu szyi będzie dostosowana do indywidualnego wzorca kontroli ruchu danej osoby, zamiast oferowana jako uniwersalny program.

Cytowanie: 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

Słowa kluczowe: przewlekły ból szyi, kontrola ruchu, testy kinestetyczne, uczenie maszynowe, podgrupy rehabilitacyjne