Kronik boyun ağrısı olan hastalarda makine öğrenmesi, belirgin hareket kontrol bozukluğu kümelerini tanımlıyor

Boyun ağrısı sadece hassas bir nokta olmanın ötesinde

Boyun ağrısı artık dünyada sakatlığın önde gelen nedenlerinden biri ve birçok kişi için birkaç kötü günden sonra kolayca geçmiyor. Aylarca sürüyor, tekrarlıyor ve günlük yaşamda başın ve boynun hareket etme biçimini sessizce yeniden şekillendirebiliyor. Yine de doktorlar sıklıkla kronik boyun ağrısını çoğu hastanın aynıymış gibi ele alıyor. Bu çalışma farklı bir soru soruyor: her biri kendi hareket sorunları desenine sahip, farklı türde rehabilitasyon gerektirebilecek gizli boyun ağrısı altgrupları var mı?

Boyun için hareketli bir hedef

Kronik boyun ağrısı olan kişilerin baş ve boyun kontrolünü araştırmak için araştırmacılar Kelebek testi (Butterfly test) adı verilen bir sınav kullandı. Katılımcılar başlarına küçük bir hareket sensörü takıyor ve başlarını çevirip sallayarak öngörülemez biçimde hareket eden bir hedefi takip etmeleri isteniyordu. Hedef, üç zorluk düzeyinde—kolay, orta ve zor—hızlanıyor, yavaşlıyor ve yön değiştiriyordu. Bu denemelerden ekip, başın hedefte ne kadar süre kaldığı, ne sıklıkla geride kaldığı, ne sıklıkla öne fırladığı ve genel olarak baş pozisyonunun ideal yoldan ne kadar sapma gösterdiği gibi birkaç ölçüt çıkardı. Bu hareket ölçümlerini her kişinin bildirdiği ağrı şiddeti ile birleştirdiler.

Algoritmaların gizli grupları keşfetmesine izin vermek

Hastaları önceden “hafif” veya “şiddetli” olarak etiketlemeye karar vermek yerine yazarlar veri odaklı yöntemlere yöneldi. Kelebek testinden elde edilen 13 özellik ile ağrı puanlarını kullanarak bir dizi kümeleme tekniği—karmaşık verilerde doğal gruplaşmaları arayan matematiksel araçlar—uyguladılar. Hangi yöntemin insanları en net şekilde ayırdığını değerlendirmek için her kümenin diğerlerinden ne kadar ayrı olduğunu kontrol eden bir kalite ölçütü kullandılar. Yaygın olarak kullanılan K-ortalama (k-means) kümeleme, net ve makul büyüklükte grupların en iyi dengesini verdi. En bilgilendirici çözüm, 135 hastayı dört farklı kümeye ayırdı; her küme sadece hareketlerin ne kadar bozuk olduğunu değil, aynı zamanda bunların nasıl bozuk olduğunu da yansıtıyordu.

Hareketin yanlış gidebileceği dört farklı yol

Spektrumnun bir ucunda yalnızca küçük hareket sorunları ve hafif ila orta düzeyde ağrıya sahip bir küme vardı. Bu hastalar genellikle başlarını hedef yoluna yakın tutuyor ve hedefte daha fazla zaman geçiriyor, gecikme veya fazla gitme eğilimi azdı. Başka bir küme mütevazı eksiklikler gösteriyordu ancak yüksek hızlarda hedefin gerisinde kalma ve fazla yavaş hareket etme ile karakterize bir desen sergiliyor; bu, genellikle hareket korkusuyla bağlantılı temkinli bir hareket tarzını düşündürüyor. Üçüncü küme, özellikle hedefi gereğinden fazla geçme (overshoot) ile daha büyük sorunlar gösteriyordu; bu, yön değiştirirken boyun kaslarını frenleme veya ince kontrol etmede zorluk olduğuna işaret ediyor. En çok etkilenen küme, orta ila şiddetli ağrı ile birlikte tüm zorluk seviyelerinde—hatta sözde kolay olanında bile—büyük hatalar sergiliyor ve belirgin gecikme ile fazla gitmeyi bir arada göstererek boyun hareket kontrolünde geniş çaplı bir bozulmayı işaret ediyordu.

Desenlerden kişiselleştirilmiş araçlara

Bu kümelerin güvenilir şekilde tanınıp tanınamayacağını test etmek için araştırmacılar aynı hareket ve ağrı verilerinden küme üyeliğini tahmin etmek üzere birkaç makine öğrenmesi modeli eğitti. Sinir ağları ve birleşik “stacked” modeller, hastaları dört gruba çok yüksek doğruluk, duyarlılık ve özgüllükle atayabildi; basit bir en yakın komşu kuralını açık ara geride bıraktılar. SHAP adı verilen bir teknik kullanarak ekip, ardından bu kararları en güçlü şekilde etkileyen hareket özelliklerini inceledi. Özellikle orta ve yüksek zorlukta, hastaların hedefi ne kadar fazla aştığı veya geride kaldığına dair ölçütler, kümeleri birbirinden ayıran temel bileşenler olarak öne çıktı.

Boyun ağrısıyla yaşayan insanlar için bunun anlamı

Bir düz okuyucu için çıkarım şu: kronik boyun ağrısı tek tip bir sorun değil. Öngörülemez hareket eden bir hedefi takip etmeleri istendiğinde, hastalar doğal olarak birkaç belirgin hareket kontrol deseni içinde gruplanıyor—bazıları ağırlıklı olarak daha yavaş ve temkinli, diğerleri daha az stabil ve fazla gitmeye eğilimli, bazıları ise her alanda şiddetli biçimde bozulmuş. Çalışma, modern veri analiz yöntemlerinin kısa bir hareket testi ve bir ağrı puanından bu gizli profilleri güvenilir şekilde tespit edebileceğini gösteriyor. Bu çalışma erken bir kavram kanıtı olmakla birlikte, boyun ağrısı rehabilitasyonunun tek tip bir program yerine kişinin özgün hareket kontrol desenine göre uyarlanacağı bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: kronik boyun ağrısı, hareket kontrolü, kinestetik test, makine öğrenmesi, rehabilitasyon altgrupları