机器学习对肩胛稳定的见解，以减轻大学生的肩部疼痛

肩痛是治疗实践中的一种常见病症，在医疗护理中每 1000 名患者中发生率约为 10 例1,^{2物理治疗环境中的患病率为 12%3}。^{这是一种常见的肌肉骨骼问题，可严重影响日常活动和生活质量}4。^{非特异性肩痛的特点是持续不适，没有明确的潜在病理，这给临床医生带来了复杂的挑战。}这种情况通常是由多种因素引起的，例如不良姿势、重复运动、肌肉不平衡和肩胛骨稳定性不足，所有这些都会导致功能限制^5,6。

肩胛稳定练习（SSE）已被广泛认为是治疗非特异性肩部疼痛的有效干预措施。这些练习旨在通过改善肩胛肌肉的平衡、纠正肩胛运动障碍和恢复适当的力耦合来增强肩部功能^7,8。肩胛骨稳定可以显着改善疼痛减轻、肌肉力量和整体肩部功能⁹。然而，尽管它们已被证明有效，但仍然迫切需要优化这些练习的实施。患者反应的差异和个性化运动计划的挑战凸显了进一步研究针对不同人群的最有效策略的必要性^10,11。

虽然肩胛骨稳定练习通常是有效的，但其影响因个人和人群而异。这种差异凸显了对更精确、数据驱动的方法的迫切需要，这些方法可以客观地评估哪些患者最有可能从这些干预措施中受益。在某些情况下，这些练习可能效果较差，甚至适得其反，这凸显了使用机器学习来识别预测积极结果的患者特征的重要性。通过以这种方式定制治疗，临床实践可以走向更加个性化和有效的康复方法^12,13。

在这种背景下，机器学习技术的整合为推进肩胛骨稳定练习的评估和优化提供了一条有前途的途径。机器学习已经展示了其在分析复杂数据集和提供可改善临床决策的见解方面的潜力。通过将这些技术应用于肌肉骨骼疾病，研究人员可以发现原本可能会被掩盖的生物力学模式和关系，最终导致更有效和个性化的治疗策略^14,15。

由于久坐的生活方式和学业要求，大学生肌肉骨骼问题的发病率不断增加¹⁶– 研究肩胛骨稳定练习在这一人群中的作用尤为重要。目前的研究旨在探索利用机器学习来加强这些针对大学生非特异性肩痛练习的实施。通过将计算分析与传统康复方法相结合，该研究旨在改善患者的治疗效果，并有助于更广泛地理解肌肉骨骼健康管理。

问题陈述

非特异性肩部疼痛是一种常见且令人衰弱的疾病，尤其是由于不良姿势和长时间久坐行为等因素而在大学生中普遍存在。虽然肩胛稳定练习（SSE）被广泛认为是改善肩胛控制和减轻肩部疼痛的有效干预措施，但在优化其实施以考虑患者个体差异方面存在重大挑战。制定这些练习的传统方法通常依赖于主观测量和一般方案，这可能无法在不同人群中产生一致的结果。此外，缺乏一种系统的、数据驱动的方法来个性化 SSE 干预措施，以最大限度地提高治疗效果。本研究旨在通过利用先进的机器学习技术来预测和优化肩胛稳定练习在治疗大学生非特异性肩部疼痛方面的有效性，从而弥补这些差距。

研究问题

如何应用机器学习技术来优化肩胛骨稳定练习以治疗非特异性肩部疼痛？哪些机器学习模型和优化技术在预测大学生治疗结果方面最有效？

研究差距

尽管肩胛稳定练习在治疗肩部疼痛方面的有效性已得到充分证明，但目前的文献缺乏应用机器学习来增强和个性化这些干预措施的综合研究。之前的研究主要集中在标准化的运动方案上，这可能无法解释患者反应的变化。此外，对于如何使用不同的机器学习技术（例如回归模型和优化算法）来微调锻炼方案以获得最佳结果的探索有限。这项研究通过将机器学习整合到肩胛稳定练习的评估和优化中来弥补这一差距，为肩部疼痛管理提供更加个性化和数据驱动的方法。

贡献

这项研究的主要贡献可概括如下：

• 应用机器学习进行 SSE 优化：本研究利用一系列回归模型，包括 Gamma 回归器、Tweedie 回归器和 Poisson 回归器，根据患者特定数据预测肩胛骨稳定练习的结果。这些模型提供了一种更客观、更精确的方法来评估 SSE 干预措施的有效性。

• 运动方案优化：通过使用Hyperopt、Scikit-Optimize和Optuna等超参数优化算法，该研究确定了个体患者的最佳运动参数，显着提高了治疗计划的个性化。

• 机器学习模型的评估：该研究比较了不同机器学习和优化技术在预测患者结果方面的性能。其中，Scikit-Optimize 表现最好，达到了 0.8501 的高 R2 分数，表明其在捕捉 SSE 干预与减轻疼痛之间的关系方面是有效的。

• 推进个性化康复：通过将机器学习融入康复过程，这项研究开创了一种治疗大学生非特异性肩部疼痛的个性化方法，提供了一种数据驱动的方法，可以提高临床实践中患者的治疗效果。

• 对肌肉骨骼健康管理的贡献：这项研究强调了机器学习在改变肌肉骨骼疾病的评估和治疗方面的潜力，提供了一个可以扩展到肩胛骨稳定以外的其他治疗干预的框架。

试验设计

该试验被设计为一项观察性和横断面研究。该研究得到德拉亚大学伦理委员会的批准（编号：19/2023）。根据赫尔辛基宣言的道德标准^{17 号}，这项研究符合人体研究的原则。每位患者在获得对试验的全面描述后签署了书面同意书。该研究于2023年4月20日至2023年7月25日在Deraya门诊进行。

样本量

为了最大限度地降低 II 类错误的风险（在存在统计显着性差异时未能检测到差异），使用专为 Wilcoxon-Mann-Whitney 检验量身定制的 G*Power 软件进行了先验样本量计算^18,19）。该计算由以下统计参数决定：

• 效应值 (d)：0.5，表明组间存在适度的预期差异。

• Wilcoxon-Mann-Whitney (dz) 的效应大小：0.5，与所选的效应大小一致。

• 功效 (1-β)：0.95，旨在实现检测显着差异的高置信度。

• 显着性水平（α）：0.05（双尾），保持误差控制的平衡方法。

计算表明，需要至少 40 名参与者作为样本量，以确保任何两项测量之间一致性的置信区间足够精确，接近其差异的标准差的一半。

值得注意的是，本研究的实际数据集包括 85 名患者。样本量的大幅增加提供了几个保证：

1. 1.

   增强的统计能力：该研究设备齐全，能够以高置信度检测测量之间的统计显着差异。

2. 2.

   研究结果的可靠性和普遍性：更大的样本量有助于获得更可靠和真实的结果，增强研究的外部有效性以及将结论推广到类似人群的潜力。

3. 3.

   针对 II 类错误的稳健性：充足的样本量有效地降低了未能识别重大影响（如果存在）的风险，从而增强了研究的整体方法论严谨性。

参加者

85名主诉非特异性单侧肩部疼痛持续≥6周的大学生纳入本研究，标准如下：年龄在18岁至25岁之间，经咨询骨科医生诊断确认为如果患者表现出以下至少2种情况（1）屈曲或外展60至120度时出现疼痛弧形（2）Neer试验阳性（3）疼痛抵抗外旋、外展。(4)1型和2型肩胛运动障碍。

排除标准

MRI 或超声确认肩袖肌腱撕裂（部分或全层撕裂）、无法将手臂举至外展 90 度、颈椎活动范围再现肩部疼痛、肘部以下疼痛（表明颈椎或神经病变）、过去肩部手术和盂肱关节关节炎，如报告中所示，急性创伤（骨折、创伤性脱位）、炎性关节炎。

结果衡量

疼痛评估

视觉模拟量表（VAS）是疼痛强度的一维测量，用于比较肩胛骨稳定治疗前后患者的疼痛严重程度。VAS 具有出色的重测可靠性（r–= –.94) 并与其他疼痛测量工具高度相关20。^{评估肩峰-肱骨距离 (AHD)}在手臂休息和 90° 主动外展运动前后收集了两张超声图像，受试者采取坐姿，肘部弯曲 90° 支撑在大腿上。

通过 AHD 用二维超声图像测量肩峰下间隙的出口。

AHD 定义为肩峰和肱骨之间的最短距离。使用具有 10 MHz 线性超声换能器的超声装置（迈瑞 DP 10）。超声换能器的放置是标准化的，其位置位于冠状平面中肩峰中部的后部，换能器平行于肩峰的平坦上部放置，以便肩峰和肱骨都可见²¹。超声作为一种成像方式比 MRI 成本更低、更实用，并且已与放射照相 AHD 测量建立了并行有效性（r≤=≤.77≤0.85)22^,23。干预措施

肩胛稳定运动干预

从坐位开始，肩部在 0° 外展和 30° 外展耸肩，肩胛骨回缩 W 练习手持式治疗带，肘部弯曲 90° 外旋，以及手持式带前屈外旋。

使用哑铃从俯卧位外旋90°外展和肘部90°开始，所有练习进行10次/组，每天3组，每周3天，持续4周⁸。

相关工作

在本节中，我们将全面了解相关工作的概况。我们探索了一系列开创性的研究，这些研究认真研究了肩胛骨运动干预对肩部疾病的影响，揭示了这些运动在治疗肩峰下撞击综合征（SIS）和非特异性肩部疼痛等疾病方面的有效性。这些研究共同丰富了我们对肩胛稳定练习在肩部功能障碍康复和缓解相关不适中所起关键作用的理解。人们越来越认识到肩胛运动障碍和无力是导致肩部撞击综合征（SIS）的因素。多项研究调查了以肩胛骨为中心的锻炼在 SIS 治疗中的效果。表 1总结了有关该主题的几篇相关文章的主要发现。

回归技术

表 2全面概述了机器学习和统计分析中常用的各种回归模型和技术及其相关的正则化和交叉验证策略。这些模型作为评估和预测数据集中复杂关系的基本构建块，使研究人员和从业者能够解决各种分析挑战并优化预测性能。通过详细描述每个模型的特征、合适的数据类型、优点和潜在限制，该表可作为选择适合特定研究目标和数据集要求的适当回归方法的宝贵指南。从传统的线性回归技术到先进的集成方法和稳健的回归算法，该表概述了每个模型的关键特征和应用，有助于全面了解可用于数据分析和预测建模的各种工具。

数据集特征

提供的数据表示一个包含各个列的表格，其中包含有关个人的信息，包括性别、年龄、体重、BMI（体重指数）、治疗前 SAS（自我评估量表）零、治疗前 SAS 90 和治疗后 SAS 90 分数。数据集包含以下列：

• 性别：该变量表示患者的性别或生物性别，可分为男性或女性。在某些情况下，它可能还包括其他性别身份的选项。

• 年龄：年龄代表患者的实际年龄，通常以岁为单位。它是一个基本的人口统计变量，用于了解年龄如何影响各种健康相关因素。

• 重量：该变量表示患者的体重，通常以千克（或在某些地区为磅）为单位进行测量。体重对于评估整体健康状况和监测治疗期间的变化至关重要。

• BMI（身体质量指数）：BMI 是与人的体重和身高相关的计算值。它用于评估一个人是否体重不足、体重正常、超重或肥胖。BMI的计算公式为（体重公斤数）/（身高米数平方）或（体重磅数）/（身高英寸平方）乘以703。

• 预处理 SAS 零：SAS（焦虑自评量表）是一种心理评估工具，用于测量一个人的焦虑程度。“治疗前 SAS 零”可能是指在任何治疗或干预之前患者的焦虑评分，“零”表示基线测量。

• 预处理 SAS 90：与“治疗前 SAS 零”类似，该变量代表患者在任何治疗或干预之前的焦虑评分，但“90”表明它可能是与治疗或干预相关的特定时间点或测量值。治疗过程。SAS 量表通常分为 100 分。

• 预VAS：VAS（视觉模拟量表）是一种用于测量主观体验的工具，例如疼痛或不适。“VAS 预评估”可能是指患者在接受任何治疗之前对此量表的自我报告评估。

• 增值服务岗位：与“VAS pre”类似，该变量代表患者在接受治疗或干预后对视觉模拟量表的自我报告评估。

• 后处理 SAS 90：该变量表示接受治疗或干预后患者的焦虑评分，其中 90 可能表示与治疗后阶段相关的特定时间点或测量值。它评估治疗后的焦虑程度。

该数据集包含与 (85) 个个体特征相关的信息，包括他们的人口统计数据（性别和年龄）、身体属性（体重和 BMI）以及某种形式的治疗或干预前后的自我评价分数。治疗或干预的具体性质以及自我评价分数 (SAS) 的含义需要额外的背景信息才能充分理解数据集的目的和分析。

表 3;图。 1提供各种特征的全面摘要，包括描述性统计数据，可深入了解数据集中每个特征的中心趋势、变异性和分布。这些特征包含一系列信息，例如人口统计属性（性别、年龄）、身体特征（体重 (Kg)、BMI）以及治疗或干预前后的自我评价分数（治疗前 SAS 0、治疗前 SAS 90））。通过检查每个特征的平均值、中位数、标准差和百分位数（第 25 个、第 50 个和第 75 个），我们可以更好地了解数据集的特征和变量的分布。该表可作为分析和解释数据集的宝贵参考点，揭示数据集关键属性内的中心趋势和变异性。

数据集特征之间的相关性。

表 4显示数据集中数值变量之间的关系。矩阵中的每一行和每一列代表一个连续变量，该行和该列对应的 Pearson R 值反映了变量之间相关性的强度和方向。根据我们的观察，大多数品质都是显着相关的。该矩阵深入了解了各种属性之间的相关性，每个属性都列在行和列上。行和列中的数字表示两个性状之间的相关系数，系数接近1表示高度正相关，系数接近-1表示强负相关，系数接近0表示无关联。

预赛

超参数调整涉及搜索一组最佳参数，这些参数可以显着提高模型的精度和准确度^49,50,51。众所周知，这个过程是开发机器学习模型最具挑战性的方面之一。在初始模型构建过程中预测理想的超参数非常困难。超参数调整的基本目标是确定模型参数的最佳配置，从而实现卓越的性能水平，如图 1 所示。 2。

超参数调节器⁵²。

下图说明了“超参数调整器”与模型的分离，强调调整发生在模型训练阶段之前。调整过程的输出是确定的超参数的最佳值，随后在模型训练期间使用这些值。

超参数优化是机器学习模型训练的重要阶段。考虑到需要优化的参数众多，再加上训练持续时间延长以及需要实施多次折叠以防止信息泄漏，该过程可能会成为一项艰巨的任务。

超视

Hyperopt 是一个流行的开源 Python 库，旨在优化机器学习模型中的超参数。Hyperopt 由 James Bergstra、Brent Komer 和贡献者团队创建，采用贝叶斯优化技术，专为超参数优化而定制。其主要目标在于确定最佳的超参数集，从而最大限度地提高机器学习模型的整体性能，如图 1 所示。 3。

HyperOpt的代表性架构⁵³。

主要特点和概念

• 贝叶斯优化：Hyperopt 采用贝叶斯优化，这是一种基于概率模型的优化技术，可以有效地探索和利用超参数空间。这种方法使用代理模型来估计目标函数及其不确定性，使优化器能够就下一步要探索哪些超参数做出明智的决策。

• 树结构 Parzen 估计器 (TPE)：Hyperopt 利用 TPE 算法来指导搜索最优超参数。TPE 以其通过有效平衡勘探和开发来找到最佳配置的效率而闻名。

• 并行和分布式优化：Hyperopt 支持并行和分布式优化，允许用户利用多核处理器和分布式计算集群的强大功能。这可以显着加快超参数搜索过程。

• 广泛的搜索空间：Hyperopt 可以处理广泛的超参数，使其适合优化各种机器学习模型，包括深度学习神经网络、支持向量机和梯度提升机。

使用案例

Hyperopt 通常用于微调机器学习模型中的超参数，从而提高其性能和泛化能力。它广泛应用于数据科学、深度学习和机器学习研究领域，以自动化和优化模型选择过程。

Scikit 优化 -forest_minimize

描述

Scikit-Optimize，通常称为斯科普特，是一个专为超参数优化而设计的Python库。这森林最小化Scikit-Optimize 中的函数⁵⁴是一种利用贝叶斯优化技术的特定优化器。

主要特点和概念

• 替代模型：Scikit-Optimize，包括森林最小化，采用高斯过程等代理模型来逼近目标函数。这些替代模型计算效率高，使优化器能够就下一步在哪里采样做出明智的决策。

• 采集功能：优化器依靠获取函数（例如，改进概率或预期改进）来指导搜索。这些函数有助于在探索超参数空间的未知区域和利用看起来有希望的区域之间取得平衡。

• 可定制的搜索空间：Scikit-Optimize 可以灵活地定义超参数的搜索空间。用户可以指定连续和分类超参数并设置它们的界限。

使用案例

Scikit-Optimize，包括森林最小化，是优化机器学习模型以及涉及超参数调整的其他应用程序的宝贵工具。它适用于各个领域，包括自然语言处理、计算机视觉和科学研究。

机会

描述

机会⁵⁵是一个用于超参数优化和模型选择的Python库。它结合了各种优化技术，例如网格搜索、随机搜索和贝叶斯优化，以找到给定问题的最佳超参数。

主要特点和概念

• 健身功能：Optunity 具有高度可定制性，可与用户定义的健身功能配合使用。这些适应度函数封装了需要优化的具体问题。Optunity 旨在最大化或最小化这些功能。

• 多功能性：机会不仅限于机器学习模型超参数调整。它可以应用于广泛的优化问题，使其成为研究人员和从业人员的多功能工具。

• 混合优化：Optunity 可以采用不同的优化算法，包括网格搜索、随机搜索和贝叶斯优化，来探索超参数空间。这种适应性使其能够在计算效率和准确性之间取得平衡。

使用案例

Optunity 用于需要跨多个领域进行优化的应用程序，包括机器学习、科学研究和工程。它可用于优化模型超参数、实验设置等。

GPy选项

描述

GPyOpt 是一个专为贝叶斯优化而设计的 Python 库。它利用高斯过程作为代理模型来逼近目标函数。它对于优化复杂且评估成本高昂的函数特别有用。

主要特点和概念

• 高斯过程：GPyOpt 依靠高斯过程对目标函数进行建模⁵⁶。这些概率模型不仅提供点估计，还提供不确定性估计，使它们非常适合黑盒优化问题。

• 采集功能：与其他贝叶斯优化库类似，GPyOpt 使用采集函数（例如改进概率）来确定接下来要采样的点。这些函数考虑了勘探和开发之间的权衡。

• 概率优化：GPyOpt 擅长处理噪声和不确定的目标函数。它估计目标函数的均值和方差，从而在优化过程中做出更明智的决策。

使用案例

GPyOpt 通常用于目标函数评估成本较高的场景，例如优化深度学习模型、工程设计和科学实验的超参数。

奥图纳

描述

奥图纳⁵⁷是一个 Python 库，以其在自动超参数优化方面的简单性、灵活性和高效性而闻名。它由 Preferred Networks 团队开发，旨在促进机器学习和深度学习模型的优化。

主要特点和概念

• 树结构 Parzen 估计器 (TPE)：Optuna 使用贝叶斯优化算法 TPE 来指导超参数搜索。TPE 有效地平衡了搜索过程中的探索和利用。

• 学习与试用：在 Optuna 中，优化问题被组织成研究，每个研究都包含多个试验。每个试验都代表着通过对不同的超参数配置进行采样来优化目标函数的尝试。

• 修剪：Optuna 采用修剪技术来丢弃没有希望的试验，从而节省计算资源。这在优化大型搜索空间时特别有用。

• 并行和分布式优化：Optuna 支持并行和分布式优化，使用户能够利用多个处理器甚至整个计算集群来加速优化过程。

使用案例

Optuna 广泛用于机器学习和深度学习应用中超参数调整过程的自动化。它的简单性和高效性使得人工智能和数据科学领域的初学者和专家都可以使用它。

拟议的框架

图 4提供了所提出的预测模型整体结构的可视化表示，包括预测过程和性能评估指标。图 5给出了所实现的优化器的伪代码。

所提出的预测模型的总体框架。

模型涉及的关键组件和流程包括数据加载和预处理、数据分割、超参数优化、模型训练、模型评估和超参数调整。优化的目标函数通常定义为最小化均方误差。

所提出的优化器回归模型的伪代码。

回归和分类模型的评估指标

回归模型的评估指标

决定系数 R 方是用于评估回归模型的最常见性能之一，如方程式（1）。另一方面，最小可接受误差 (MAE) 如方程式 (2），而均方误差 (MSE) 在方程 (3）^58,59,60。

其中 y 是实际值，\(\:\dot{\widehat{\text{y}}}\)是对应的预测值，\(\:\dot{\overline{\text{y}}}\)是集合中实际值的平均值，并且n是测试对象的总数61^。结果与分析

实验在配备 3 GHz i5 处理器、8GB 主内存和 64 位 Windows 10 操作系统的计算机上进行。我们使用Python编程语言进行实验。

所提出的回归机器学习技术的结果

表格 5和6;图。 6描述了用于预测治疗后 SAS 90 的各种传统回归模型和优化回归模型的评估结果及其相应的性能指标。表 5概述了传统回归模型的调整 R 平方、R 平方、均方根误差 (RMSE) 和执行时间等评估标准。相比之下，表 5深入了解通过不同优化技术实现的优化回归模型的评估结果，其中重点在于均方误差、平均绝对误差、R 平方分数和执行时间。以下是对该表的分析和扩展：

• 模型：此列显示回归任务中使用的机器学习模型的名称。

• MSE（平均误差）：此列表示预测值和实际值之间平方差的平均值。MSE的值较低表示更好的性能。

• MAE（平均绝对误差）：此列表示预测值和实际值之间的绝对差异的平均值。较低的MAE值表示性能更好。

• R2分数：此列代表确定系数，该系数可以测量目标变量中的方差比例，该方差可以由自变量解释。R2分数的较高值表示表现更好。

• 花费时间（秒）：此列表示每个模型完成回归任务的时间。

后SAS 90的优化回归模型的性能指标。

如表中所示 5和6;图 6:

• 在传统的回归模型中，伽马并压力机，Tweedieregressor和PoissonRegressor显示出最高的调整后R-squared值，与其他模型相比，数据更适合数据。这些模型解释了处理后SAS 90中差异的很小比例。

• 相比之下，诸如Vassiveaggressiversegressor，正交抗突击队和Huberregressor之类的模型表现出负调整后的R-squared值，这表明它们在解释后SAS 90的可变性方面表现不佳。

• 当考虑平均平方误差（MSE）和平均绝对误差（MAE）时，LassolarSCV模型达到了最低的值，表明预测处理后SAS 90的准确性更好。但是，重要的是要注意MSE和Mae值在所有模型中，相对较高，这表明仍然有改善预测性能的余地。

• 在优化技术中，Scikit优化使用Forest_minimizize方法达到了最低的MSE和MAE值，这表明与其他优化技术相比，预测后处理后SAS 90的准确性更好。此外，它达到了最高的R平方分数，这表明它解释了处理后SAS 90中较大的差异。

• 但是，值得注意的是，Scikit优化使用Forest_minimizize方法的执行时间是最长的，这表明与其他优化技术相比，使用该模型进行训练和预测需要更多的时间。

• 使用不同优化算法的优化回归模型在预测精度方面优于传统回归模型。HyperOPT在优化器中表现出最佳性能，达到了最高的R2得分和最低的平方误差和平均绝对误差。但是，与传统模型相比，优化模型的执行时间相对较长。

功能相关

• 数据集中不同特征之间的相关系数显示在表格中 7。该表已被分析和扩展如下：

• 第一个功能：在此列中显示要关联的第一个功能的名称。

• 第二个功能：此列中显示了相关的第二个功能的名称。

• 相关：在本列中表示第一和第二特征之间的相关系数。一个相关值代表完美的正相关，而一个相关值则显示出完美的负相关。相关系数为0，表明没有关系。

基于桌子 7:

• SAS得分（预处理，治疗后，预处理零）彼此高度相关，因为它们测量了相似的结构。

• 疼痛度量（VAS PER，POST）与SAS分数密切相关，表明疼痛增加与较高的焦虑水平有关。

• VAS前后是正相关的，在治疗前后显示疼痛水平的一致性。

• 正如人们所期望的那样，BMI与体重有中等的正相关。

• 年龄与其他变量的相关性较弱。它与预处理SAS和VAS PRE呈负相关，但这些效果很小。

• 年龄，体重和BMI等人口统计学因素与临床结果的相关性很小。

总体而言，该分析证实：

• 认知/疼痛度量之间的良好内部一致性。

• BMI/重量之间的预期关系。

• 临床因素比人口统计学更强烈。

• 疼痛与认知状况成反比。

• 基本人口统计学对主要结果的影响较弱。

这些模式与文献一致，并提供了在进一步建模中使用这些变量的有效性。

特征选择

桌子 8为不同的特征选择方法提供所选功能。每种方法旨在确定一个被认为对于预测目标变量很重要的特征的子集。该表已被分析和扩展如下^58,62,63,64:

• 功能选择技术：用于选择功能的功能选择方法的名称在此列中显示。

• 选定的功能：此列中显示了特征选择方法选择的功能的名称。

• 所有方法始终选择主要的SAS得分（预处理，治疗后）作为重要特征，与域知识保持一致。

• 通过多种方法选择BMI，年龄和体重等临床特征。这些是影响结果的因素，具有直观的意义。

• 疼痛度量（VAS PER，POST）也经常出现，强调了它们与认知评分的关系。

• SAS得分和临床特征倾向于在方法之间重叠，这表明共识。

• 具有随机森林的RFE和随机森林的特征是针对随机森林模型调整的模型特定技术。

• 他们的选择强调了SAS得分，其次是年龄和BMI，这是随机森林的最预测特征。

根据分析：

• SAS得分，疼痛度量和基本临床因素可以可靠地视为重要特征。

• 随机森林（RFE，重要性）的特征选择最适合，因为将使用随机森林模型。

• 它的选择与域知识一致，并专注于所选模型类型的最预测性属性。

因此，我们建议使用RFE与随机森林选择的功能或从随机森林分类器中的随机森林中的重要性。

这项研究利用机器学习技术来研究患者特征与肩cap体稳定练习（SSE）在减轻大学生非特异性肩痛方面的复杂关系。关于研究的主要目标，必须做出至关重要的区别：我们的研究重点是确定预测疼痛最大减轻疼痛的关键因素，而不是比较不同运动方案对肩部疼痛的影响。。从本质上讲，我们的分析采用机器学习算法来揭示最有影响力的预测因子（例如性，体重，BMI，治疗前的自我认可量表[SAS]得分），这些量表（SAS]得分）决定了成功减轻SSE疼痛的可能性。这种方法可以制定个性化治疗策略，该策略是针对最有可能从肩cap骨稳定练习中受益的患者的特定概况而定制的。

关键发现和含义

1. 1.

   个性化治疗的预测建模：我们的机器学习模型成功地鉴定了患者特征与SSE减轻肩痛的功效之间的显着相关性。这些发现有助于制定个性化的治疗计划，从而增强了积极结果的潜力。

2. 2.

   患者分析以实现最佳SSE反应：该研究的结果为最适合肩cap骨稳定练习的患者类型提供了宝贵的见解，以治疗非特异性的肩部疼痛。例如，[插入由研究确定的特定患者特征，例如，BMI较低且治疗前SAS得分较低的患者]在接受SSE时表现出疼痛的较大减轻。

3. 3.

   临床公用事业和未来方向：通过将这些预测模型整合到临床实践中，医疗保健专业人员建议为非特异性肩痛患者进行肩cap骨稳定练习时，可以做出更明智的决定。未来的研究应着重于在更广泛的人群中验证这些发现，并探索类似的机器学习方法在其他肌肉骨骼条件下的应用。

澄清研究目标和解释

重申一下，该手稿并不是要比较不同运动方案的有效性，而是要阐明通过肩cap骨稳定运动预测成功结果的患者因素。对我们结果的讨论和解释是基于这个核心目标的基础，对如何针对患有非特异性肩部疼痛的特定患者群体进行优化的SSE有了细微的了解。

此外，与某些优化技术（例如Optunity和gpyopt）相关的大量执行时间强调了在现实世界临床环境中实施这些方法所涉及的实际考虑和权衡。平衡计算效率与预测精度仍然是将基于机器学习的干预措施无缝整合到常规肌肉骨骼康复方案中的关键考虑。

鉴于我们关于通过肩cap体稳定练习（SSE）的成功结果的发现，用于非特异性的肩部疼痛，这是未来研究的两个关键途径：

• 验证和概括性：验证这项研究中各种人群中开发的预测模型，以增强其在各种临床环境中的普遍性和适用性。

• 与临床实践的整合：研究将这些预测模型整合到临床决策支持系统中，以对非特异性肩痛患者进行个性化SSE治疗计划的可行性和有效性。

局限性

尽管我们的研究对预测空化治疗的腹部脂肪动态有很大的贡献和有希望的结果，但应确认几个局限性：

1. 1.

   样本量有限：该研究利用了一个全面的数据集；但是，样本量仍然相对较小。较大的样本量将增强发现结果的统计能力和概括性。有限的样本量还可能限制对人群内潜在亚组或变化的探索。

2. 2.

   潜在的偏见和混杂因素：研究中使用的数据集可能包含可能影响结果的固有偏见或混杂因素。未计算的变量，例如年龄，性别，特定的医疗状况和并发治疗，可能会影响脂肪动力学，并将潜在的偏见引入预测模型中。

3. 3.

   在这项研究中，回顾性收集，这可能引入回顾性分析中固有的局限性和潜在偏见。具有标准化协议和数据收集方法的前瞻性研究将提供更强大和可靠的证据。

4. 4.

   缺乏患者报告的结果：这项研究主要依赖于脂肪动态的客观测量，并且没有纳入患者报告的结果，例如满意度，生活质量或对身体轮廓的主观感知。包括患者报告的结果将提供对治疗效果的更全面评估。

不适用。

开放获取资金由科学、技术与创新资助局 (STDF) 与埃及知识银行 (EKB) 合作提供。

作者和单位

1. 埃及El-Minia的Deraya大学物理治疗基础科学

   奥马尔·M·马布鲁克

2. 埃及El-Minia的Deraya大学物理治疗系物理治疗系物理治疗系

   多阿·阿卜杜勒·哈迪

3. 埃及El-Minia Minia大学科学学院计算机科学系

   塔里克·阿卜杜勒·哈菲兹

4. 埃及El Minia的Deraya大学计算机科学部门

   塔里克·阿卜杜勒·哈菲兹

贡献

这项工作是在所有作者之间合作进行的。作者DAA，OMM和TAEH设计了研究，进行了统计分析并编写了协议。所有作者都管理了研究的分析，管理了文献搜索，并撰写了手稿的初稿。所有作者阅读并批准了最终手稿。

通讯作者

通讯至多阿·阿卜杜勒·哈迪或者塔里克·阿卜杜勒·哈菲兹。

道德声明

制度和/或国家一级的研究委员会，1964年的赫尔辛基宣言及其随后的修订或同等的道德准则，在涉及人类受试者的研究中都遵守了所有程序。

同意声明

在对审判进行详尽的描述后，每个患者都签署了书面知情同意书。

利益竞争

作者声明没有竞争利益。

出版商的注释

施普林格·自然对于已出版的地图和机构隶属关系中的管辖权主张保持中立。

开放获取本文根据知识共享署名 4.0 国际许可证获得许可，该许可证允许以任何媒介或格式使用、共享、改编、分发和复制，只要您对原作者和来源给予适当的认可，并提供链接到知识共享许可证，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可证中，除非在材料的信用额度中另有说明。如果文章的创意共享许可中未包含材料，并且您的预期用途不允许法定法规或超过允许的用途，则需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/by/4.0/。转载和许可

关于本文