Методы машинного обучения выявляют разные кластеры нарушений контроля движения у пациентов с хронической болью в шее

Почему боль в шее — это не просто болезненное место

Боль в шее ныне является одной из ведущих причин инвалидности в мире, и у многих людей она не проходит за несколько дней. Она может длиться месяцами, возвращаться снова и снова и незаметно менять то, как голова и шея двигаются в повседневной жизни. Тем не менее врачи часто относятся к хронической боли в шее так, будто все пациенты похожи. В этом исследовании поставлен другой вопрос: существуют ли скрытые подгруппы людей с болью в шее, каждая со своим характерным паттерном проблем с движением, которые могут требовать различных подходов к реабилитации?

Движущаяся цель для шеи

Чтобы проверить, как люди с хронической болью в шее контролируют голову и шею, исследователи использовали тест, называемый «Бабочка». Участники надевали небольшой датчик движения на голову и должны были следить за непредсказуемо движущейся целью, поворачивая и кивая головой. Цель ускорялась, замедлялась и меняла направление на трёх уровнях сложности — лёгком, среднем и сложном. Из этих испытаний команда извлекла несколько показателей: сколько времени голова находилась на движущейся цели, как часто она отставала, как часто опережала и насколько в целом положение головы отклонялось от идеального пути. Эти показатели движения объединили с оценками интенсивности боли у каждого участника.

Давая алгоритмам искать скрытые группы

Вместо того чтобы заранее присваивать пациентам ярлыки «лёгкая» или «тяжёлая» степень, авторы обратились к методам, основанным на данных. Они применили несколько техник кластеризации — математических инструментов, которые ищут естественные группы в сложных данных — используя 13 признаков из теста «Бабочка» плюс оценки боли. Чтобы оценить, какой метод лучше разделяет людей, они использовали меру качества, проверяющую, насколько отличимы кластеры друг от друга. Алгоритм k-means, широко используемый метод, показал наилучший баланс между ясностью разделения и приемлемыми размерами групп. Самое информативное решение разделило 135 пациентов на четыре различных кластера, каждый из которых отражал не только степень нарушений движений, но и то, КАК именно они проявлялись.

Четыре разных типа нарушений движения

На одном конце спектра оказался кластер с небольшими проблемами движения и лёгкой–умеренной болью. Эти пациенты в целом держали голову близко к пути цели и проводили больше времени «на цели», с небольшими склонностями к отставанию или опережению. Другой кластер показывал умеренные нарушения, но характерную манеру движения — слишком медленное следование и отставание от цели на более высоких скоростях, что говорит о осторожной стратегии, часто связанной со страхом движения. Третий кластер демонстрировал более выраженные проблемы, особенно склонность к опережению цели, что указывает на трудности с «торможением» или тонким контролем шейных мышц при смене направления. Наиболее поражённый кластер сочетал умеренно–тяжёлую боль с большими ошибками на всех уровнях сложности — включая предположительно лёгкий — и проявлял выраженное и отставание, и опережение, что указывает на широкое нарушение контроля движений шеи.

От паттернов к персонализированным инструментам

Чтобы проверить, можно ли надёжно распознавать эти кластеры, исследователи обучили несколько моделей машинного обучения предсказывать принадлежность к кластеру по тем же данным о движении и боли. Нейронные сети и составные «стековые» модели смогли распределять пациентов по четырём группам с очень высокой точностью, чувствительностью и специфичностью, значительно превосходя простое правило ближайшего соседа. С помощью техники SHAP команда затем выяснила, какие признаки движения сильнее всего влияли на такие решения. Показатели, отражающие степень опережения или отставания от цели, особенно на среднем и высоком уровнях сложности, оказались ключевыми факторами, отличающими кластеры друг от друга.

Что это значит для людей, живущих с болью в шее

Для неспециалиста вывод таков: хроническая боль в шее — это не единая проблема. При выполнении задания по слежению за непредсказуемо движущейся целью пациенты естественным образом разбиваются на несколько различных паттернов контроля движения — одни в основном медлительны и осторожны, другие менее устойчивы и склонны к опережению, а у некоторых наблюдаются серьёзные нарушения во всех аспектах. Исследование показывает, что современные методы анализа данных могут надёжно выявлять эти скрытые профили по короткому тесту движений и оценке боли. Хотя это пока ранний доказательный пример, работа указывает на будущее, в котором реабилитация при боли в шее будет настраиваться под конкретный паттерн контроля движения пациента, а не предлагаться по принципу «один размер для всех».

Цитирование: 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

Ключевые слова: хроническая боль в шее, контроль движения, кинестетическое тестирование, машинное обучение, подгруппы для реабилитации