Модели машинного обучения для прогнозирования результатов лечения у пациентов с хронической неспецифической болью в спине, проходящих разгибочное вытяжение поясничного отдела

Почему боль в спине и умные компьютеры важны для вас

Хроническая боль в пояснице — одна из ведущих причин пропуска работы, отказа от семейных мероприятий или постоянного дискомфорта. Существуют разные методы лечения, но они не одинаково эффективны для всех. В этом исследовании задан очень практический вопрос: можно ли с помощью современных компьютерных инструментов, известных как машинное обучение, предсказать, какие пациенты получат наибольшую пользу от специфической терапии позвоночника, которая постепенно восстанавливает естественный изгиб в нижней части спины?

Ближе к распространённой проблеме с поясницей

Нижний отдел позвоночника естественно имеет мягкий вогнутый изгиб, называемый лордозом. У многих людей с длительной неспецифической болью в пояснице этот изгиб уменьшается или выравнивается. Это изменение может перераспределить нагрузки по позвоночнику, перегружая суставы, диски и мышцы. Одним из методов лечения является разгибочное вытяжение поясничного отдела: пациент укладывается на специализированный стол, и к позвоночнику прикладывают контролируемое растяжение, постепенно сгибающее поясницу назад на протяжении нескольких сеансов. Ранние небольшие клинические исследования показали, что этот метод может уменьшать боль и инвалидность, но врачам всё ещё не хватало способа заранее определить, кто от него выиграет наиболее.

Как проводилось исследование

Исследователи проанализировали записи 431 взрослого пациента с хронической болью в пояснице и явно уменьшенным поясничным лордозом на рентгене. Все пациенты проходили стандартизированную программу реабилитации, сочетающую физиотерапевтические методы, такие как электростимуляция, прогревание, растяжка и разгибочное вытяжение. Лечение проводилось от трёх до шести раз в неделю в течение четырёх–десяти недель с гибкостью графика в зависимости от распорядка и переносимости каждого пациента. До и после программы команда измеряла форму нижнего отдела позвоночника по рентгену, интенсивность боли по шкале 0–10 и уровень инвалидности с помощью широко используемой анкеты о повседневной активности.

Обучение компьютера прогнозировать восстановление

Чтобы выяснить, можно ли заранее предсказать исходы, авторы передали в три разных модели машинного обучения десять параметров. Входными данными были возраст, индекс массы тела, исходный изгиб позвоночника и тазовый угол по рентгену, стартовые баллы боли и инвалидности, частота и продолжительность применения вытяжения, соблюдение лечения и описательный «тип соответствия», отражающий, насколько согласованы изгиб позвоночника и тазовый угол. Системы обучали на большей части данных пациентов, а затем тестировали на оставшихся, используя стандартные метрики для сравнения предсказаний с реальными результатами. Дополнительные проверки оценивали, какие факторы имели наибольшее значение и насколько модели чувствительны к шуму измерений или отсутствующим данным.

Что показали модели и пациенты

В среднем пациенты достигли значимых улучшений: изгиб нижней части спины увеличился примерно на 12 градусов, боль снизилась с примерно 7 до 3 по шкале из 10, а показатели инвалидности уменьшились примерно до трети от начального уровня. У восьми из десяти пациентов наблюдалось заметное облегчение боли по общепринятому порогу, и более половины демонстрировали существенное улучшение функций. Среди компьютерных инструментов две деревообразные методики — Random Forest и XGBoost — оказались лучшими в прогнозировании того, кто добьётся этих преимуществ. Они объясняли значительную долю вариации в итоговом изгибе позвоночника, болевых и функциональных показателях, тогда как модель на основе нейронной сети испытывала трудности с прогнозированием восстановления функции.

Какие факторы имеют наибольшее значение

Анализируя, как модели принимают решения, команда обнаружила последовательную закономерность. Исходная форма нижнего отдела позвоночника и её соотношение с тазовым углом были ключевыми предикторами восстановления изгиба. Пациенты, у которых изгиб и таз были наиболее «несогласованы», часто показывали наибольшие коррекции. Также важную роль играли регулярность посещений (соблюдение режима), частота применения вытяжения в неделю и вес тела, особенно в отношении уменьшения боли. Стандартные демографические характеристики, такие как возраст, имели меньшее значение по сравнению с комбинацией точных рентгенологических данных и интенсивности и регулярности лечения.

Что это означает для людей с болью в спине

Для обычного пациента и лечащего врача это исследование показывает, что индивидуальный подход к восстановлению естественного изгиба поясницы может быть одновременно эффективным и предсказуемым. Тщательная рентгенологическая оценка в сочетании с информацией о плане лечения и посещениях может питать модели машинного обучения, которые оценивают вероятные улучшения в боли и функции. Проще говоря, компьютеры могут помочь врачам подобрать подходящих пациентов для разгибочного вытяжения поясницы, установить реалистичные ожидания и оптимизировать частоту и продолжительность курса. Хотя нужны дополнительные исследования с более длительным наблюдением и более широкими группами пациентов, это изучение указывает на будущее, в котором уход за болью в спине станет более персонализированным, основанным на данных и эффективным.

Цитирование: 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

Ключевые слова: хроническая боль в пояснице, разгибочное вытяжение поясничного отдела, изгиб позвоночника, машинное обучение в медицине, прогнозирование лечения