Kronik spesifik olmayan bel ağrısı hastalarında lomber ekstansiyon traksyonu uygulanan tedavi sonuçlarını tahmin etmek için makine öğrenmesi modelleri

Bel Ağrısı ve Akıllı Bilgisayarların Neden Önemli Olduğu

Kronik bel ağrısı, insanların işe gitmemesine, aile etkinliklerini kaçırmasına veya sürekli rahatsızlıkla yaşamasına yol açan başlıca nedenlerden biridir. Birçok tedavi seçeneği vardır, ancak bunlar herkeste eşit şekilde etkili değildir. Bu çalışma çok pratik bir soruyu gündeme getiriyor: modern bilgisayar araçları olarak bilinen makine öğrenmesini kullanarak, alt belin doğal eğrisini nazikçe yeniden kazandıran belirli bir omurga tedavisinden hangi hastaların en çok fayda göreceğini öngörebilir miyiz?

Yaygın Bir Bel Sorununa Yakından Bakış

Alt omurga doğal olarak lordoz adı verilen hafif içe doğru bir eğriye sahiptir. Uzun süreli, spesifik olmayan bel ağrısı olan birçok kişide bu eğri azalır veya düzleşir. Bu değişiklik omurgadan geçen kuvvetlerin dağılımını değiştirerek eklemlere, disklerine ve kaslara yük bindirebilir. Lomber ekstansiyon traksyonu, hastayı özel bir masaya yerleştirip kontrollü bir çekiş uygulayarak alt belin zaman içinde bu kaybolan eğrisini yavaşça geri kazandırmayı amaçlayan bir tedavidir. Daha önceki küçük klinik çalışmalar bu yöntemin ağrı ve işlev kaybını azaltabileceğini öne sürmüştü, ancak doktorların önceden kimlerin daha iyi yanıt vereceğini söyleyecek bir yolu yoktu.

Çalışma Nasıl Yapıldı

Araştırmacılar, X-ray’te belirgin şekilde azalmış lomber eğriye sahip 431 yetişkin kronik bel ağrısı hastasının kayıtlarını incelediler. Tüm hastalar elektriksel stimülasyon, ısı, germe egzersizleri ve lomber ekstansiyon traksyonu gibi fizik tedavi yöntemlerini birleştiren standart bir rehabilitasyon programını izlediler. Tedaviler, her kişiye göre program ve toleransa uyacak şekilde haftada üç ila altı kez, dört ila on hafta boyunca uygulandı. Program öncesi ve sonrası ekip alt omurganın X-ray üzerindeki şeklini, 0–10 ölçeğinde ağrıyı ve günlük aktivitelerle ilgili yaygın kullanılan bir anketle engelliliği ölçtü.

Bilgisayarı İyileşmeyi Tahmin Etmeye Nasıl Eğittiler

Sonuçların önceden tahmin edilip edilemeyeceğini görmek için yazarlar üç farklı makine öğrenmesi modeline on bilgi parçası verdiler. Bu girdiler yaş, vücut kitle indeksi, başlangıç omurga eğrisi ve X-ray’ten pelvik açı, başlangıç ağrı ve engellilik skorları, traksyonun ne sıklıkta ve ne kadar süre uygulandığı, tedaviye uyum ve omurga eğrisi ile pelvik açının uyumunu yakalayan betimleyici bir “uygunluk tipi”ni içeriyordu. Bilgisayar sistemleri hasta verilerinin çoğu üzerinde eğitildi ve sonra kalan veriler üzerinde test edildi; tahmin edilen sonuçların gerçekteki sonuçlarla ne kadar uyuştuğunu görmek için standart ölçütler kullanıldı. Ek kontroller hangi faktörlerin en çok etkilediğini ve modellerin ölçüm gürültüsüne veya eksik bilgilere ne kadar duyarlı olduğunu araştırdı.

Modellerin ve Hastaların Ortaya Koydukları

Ortalama olarak hastalar anlamlı iyileşmeler gösterdiler: alt bel eğrisi yaklaşık 12 derece arttı, ağrı 10 üzerinden yaklaşık 7’den 3’e düştü ve engellilik skorları başlangıç düzeyinin yaklaşık üçte birine indi. Her on hastadan sekizi önemli ağrı giderimi için yaygın kabul görmüş eşiği karşıladı ve yarıdan fazlası fonksiyonda güçlü bir iyileşme elde etti. Bilgisayar araçları arasında iki ağaç tabanlı yaklaşım—Random Forest ve XGBoost—bu yararları kimlerin elde edeceğini tahmin etmede en başarılı olanlardı. Bunlar nihai omurga eğrisi, ağrı ve engellilikteki değişimin büyük bir kısmını açıkladı; oysa bir sinir ağı modeli fonksiyonel iyileşmeyi tahmin etmekte zorlandı.

En Önemli Faktörler

Modellerin karar verme süreçleri incelendiğinde ekip tutarlı bir desen buldu. Alt omurganın başlangıçtaki şekli ve bunun pelvik açı ile ilişkisi, eğrinin geri kazanılıp kazanılamayacağını belirleyen ana etkenlerdi. Eğri ve pelvis en çok “uyumsuz” olan hastalar genellikle en büyük düzeltmeleri gösterdi. İnsanların seanslarına ne kadar düzenli katıldığı (uyum), traksyonun haftada ne sıklıkla uygulandığı ve vücut ağırlığı da özellikle ağrı sonuçları için önemli roller oynadı. Yaş gibi standart demografik özellikler, hassas X-ray bulguları ile tedavi yoğunluğu ve düzenliliğinin birleşimi kadar belirleyici değildi.

Bel Ağrısı Olanlar İçin Ne Anlama Geliyor

Günlük hasta ve klinisyen açısından bu araştırma, doğal alt bel eğrisini yeniden kazandırmaya yönelik kişiselleştirilmiş bir yaklaşımın hem etkili hem de öngörülebilir olabileceğini gösteriyor. Dikkatli X-ray değerlendirmesi ile tedavi planı ve katılım bilgileri birleştirilerek, ağrı ve işlevdeki muhtemel gelişmeleri tahmin eden makine öğrenmesi araçlarına beslenebilir. Basitçe söylemek gerekirse, bilgisayarlar doktorların doğru hastayı lomber ekstansiyon traksyonuna yönlendirmesine, gerçekçi beklentiler belirlemesine ve tedavinin sıklığı ile süresini ince ayar yapmasına yardımcı olabilir. Daha fazla çalışma, özellikle daha uzun izlem ve daha geniş hasta gruplarıyla yapılması gerekse de, bu çalışma bel ağrısı bakımının daha kişiselleştirilmiş, veri odaklı ve verimli bir geleceğe işaret ettiğini gösteriyor.

Atıf: 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

Anahtar kelimeler: kronik bel ağrısı, lomber ekstansiyon traksyonu, omurga eğriliği, tıbbi alanda makine öğrenmesi, tedavi tahmini