机器学习识别慢性颈痛患者中不同的运动控制损伤聚类

为何颈痛不仅仅是一个疼痛点

颈痛如今已成为全球致残的主要原因之一，对许多人而言，它并不会在几天不适后自行消失。疼痛持续数月、反复发作，并且会悄然改变日常生活中头颈的运动方式。然而医生常常把慢性颈痛当作一种同质的问题来处理。本研究提出了不同的问题：颈痛患者中是否存在若干隐藏的亚群，每个亚群都有其特定的运动问题模式，可能需要不同类型的康复方法？

一个移动的靶标：颈部控制

为探究慢性颈痛患者如何控制头颈，研究人员使用了一种称为“蝴蝶测试”的检测方法。参与者在头部佩戴一个小型运动传感器，并被要求通过转头和点头来追随一个不可预测移动的靶标。靶标会加速、减速并在三种难度级别——容易、中等和困难——之间改变方向。研究团队从这些试验中提取了若干度量：头部在靶标上的停留时间、落后于靶标的频率、超前的频率，以及头部位置整体偏离理想路径的距离。他们将这些运动度量与每位受试者报告的疼痛强度结合起来进行分析。

让算法去发现隐藏的群体

作者没有事先将患者标记为“轻度”或“重度”，而是采用数据驱动的方法。他们应用了多种聚类技术——这些数学工具用于在复杂数据中寻找自然分组——使用来自蝴蝶测试的13个特征加上疼痛评分。为了评价哪种方法能最清晰地区分人群，他们使用了检查每个簇与其他簇有多明显不同的质量度量。广泛使用的k均值聚类算法在清晰度和簇大小平衡方面表现最佳。最具信息量的方案将135名患者分为四个不同的簇，每个簇不仅反映了运动受损的程度，也反映了运动受损的“方式”。

运动出错的四种不同方式

谱系的一个端点是一类仅有轻微运动问题且疼痛为轻至中度的患者。这些患者通常将头部保持在接近靶标路径的位置，更多时间处于靶上，几乎没有滞后或超前的倾向。另一个簇表现出轻度缺陷，但具有在较高速度下动作过慢并滞后于靶标的典型模式，提示一种常与运动恐惧相关的谨慎运动风格。第三个簇问题更为显著，尤其表现为超前靶标，暗示在改变方向时难以制动或细致控制颈部肌肉。最严重的簇则结合了中度到重度的疼痛，并在所有难度水平——包括所谓的容易级别——都出现较大误差，同时既有明显的滞后也有超前，表明颈部运动控制存在广泛的紊乱。

从模式到个性化工具

为了检验这些簇是否能够被可靠识别，研究人员训练了多种机器学习模型，以从相同的运动和疼痛数据中预测簇归属。神经网络和组合的“堆叠”模型能够以非常高的准确率、敏感性和特异性将患者分配到四个组，远超简单的最近邻规则。研究团队随后使用一种称为SHAP的技术，考察哪些运动特征对这些决策的驱动作用最强。尤其是在中等和高难度时，患者超前或滞后靶标的程度成为区分各簇的关键要素。

对颈痛患者意味着什么

对普通读者而言，结论是：慢性颈痛并非单一均质的问题。在被要求跟随一个不可预测的移动靶标时，患者会自然分成几类不同的运动控制模式——有些主要表现为动作缓慢且谨慎，有些不太稳定且更易超前，还有些在各方面都严重受损。研究表明，现代数据分析方法可以仅凭一次短时间的运动测试和一个疼痛评分，可靠地识别这些隐藏的特征谱系。尽管这项工作是早期的概念验证，但它指向了一个未来：针对颈痛的康复可以根据个体的特定运动控制模式进行定制，而不是采用一刀切的方案。

引用: 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

关键词: 慢性颈痛, 运动控制, 本体感觉测试, 机器学习, 康复亚组