Maskininlärning identifierar distinkta kluster av rörelsekontrollstörningar hos patienter med kronisk nacksmärta

Varför nacksmärta är mer än bara en öm punkt

Nacksmärta är numera en av de ledande orsakerna till funktionsnedsättning i världen, och för många försvinner den inte bara efter några dåliga dagar. Den kvarstår i månader, återkommer upprepade gånger och kan i det tysta förändra hur huvud och nacke rör sig i vardagen. Ändå behandlar läkare ofta kronisk nacksmärta som om de flesta patienter var likadana. Denna studie ställer en annan fråga: finns det dolda undergrupper av personer med nacksmärta, vardera med sitt eget mönster av rörelseproblem, som kan behöva olika typer av rehabilitering?

Rörelse som rör målet för nacken

För att undersöka hur personer med kronisk nacksmärta styr huvud och nacke använde forskarna ett test kallat Butterfly-testet. Deltagarna bär en liten rörelsesensor på huvudet och ombeds följa ett oförutsägbart rörligt mål genom att vrida och nicka med huvudet. Målet accelererar, bromsar och byter riktning i tre svårighetsnivåer—lätt, medel och svår. Från dessa försök extraherade teamet flera mått: hur mycket tid huvudet spenderade på det rörliga målet, hur ofta det halkade efter, hur ofta det sköt förbi och hur långt huvudets position avvek från den ideala banan totalt. De kombinerade dessa rörelsemått med varje persons rapporterade smärtintensitet.

Låta algoritmer hitta dolda grupper

I stället för att på förhand avgöra hur man ska märka patienter som ”lindriga” eller ”svåra” vände sig författarna till datadrivna metoder. De använde flera klustringstekniker—matematiska verktyg som söker naturliga gruppering i komplexa data—med 13 funktioner från Butterfly-testet plus smärtbedömningar. För att avgöra vilken metod som separerade människor bäst användes ett kvalitetsmått som kontrollerar hur tydligt varje kluster skiljer sig från de andra. K-means-klustring, en brett använd algoritm, gav den bästa balansen mellan klara och rimligt stora grupper. Den mest informativa lösningen delade in de 135 patienterna i fyra distinkta kluster, som var och ett speglade inte bara hur nedsatta rörelserna var utan även på vilket sätt de var nedsatta.

Fyra olika sätt rörelser kan gå fel

I ena änden av spektrumet fanns ett kluster med endast små rörelseproblem och lindriga till måttliga smärtor. Dessa patienter höll i allmänhet huvudet nära målets bana och tillbringade mer tid på målet, med liten benägenhet att halka efter eller skjuta förbi. Ett annat kluster visade måttliga brister men ett karaktäristiskt mönster av att röra sig för långsamt och halka efter målet vid högre hastigheter, vilket tyder på en försiktig rörelsestil ofta kopplad till rörelserädsla. Ett tredje kluster visade större problem, särskilt att skjuta förbi målet, vilket antyder svårigheter att bromsa eller finstyra nackmusklerna vid riktningsförändringar. Det mest påverkade klustret kombinerade måttlig till svår smärta med stora fel över alla svårighetsnivåer—inklusive den som förväntas vara lätt—och visade både tydligt eftersläpande och överskjutningar, vilket indikerar en bred störning i nackens rörelsekontroll.

Från mönster till personliga verktyg

För att testa om dessa kluster kunde kännas igen pålitligt tränade forskarna flera maskininlärningsmodeller för att förutsäga klustertillhörighet utifrån samma rörelse- och smärtdata. Neurala nätverk och kombinerade ”stackade” modeller kunde tilldela patienter till de fyra grupperna med mycket hög noggrannhet, känslighet och specificitet, och överträffade långt en enkel närmaste-granne-regel. Med hjälp av en teknik som kallas SHAP undersökte teamet vilka rörelsegenskaper som starkast drev dessa beslut. Mått på hur mycket patienter översköt eller undersköt målet, särskilt vid medel och hög svårighetsgrad, framträdde som viktiga ingredienser som särskilde klustren från varandra.

Vad detta betyder för dem som lever med nacksmärta

För en lekmannaläsare är huvudpoängen att kronisk nacksmärta inte är ett enhetligt problem. När patienter ombeds följa ett oförutsägbart rörligt mål faller de naturligt in i flera distinkta mönster av rörelsekontroll—vissa framför allt långsamma och försiktiga, andra mindre stabila och mer benägna att skjuta förbi, och några allvarligt störda över hela linjen. Studien visar att moderna dataanalyssätt kan pålitligt upptäcka dessa dolda profiler från ett kort rörelsetest och en smärtskattning. Även om detta arbete är ett tidigt konceptbevis pekar det mot en framtid där rehabilitering för nacksmärta skräddarsys efter en individs specifika rörelsekontrollmönster i stället för att erbjudas som ett standardprogram för alla.

Citering: 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

Nyckelord: kronisk nacksmärta, rörelsekontroll, kinestetisk testning, maskininlärning, rehabiliteringsundergrupper