Machine learning identifies chronic low back pain patients from an instrumented trunk bending and return test

Thiry P, Houry M, Philippe L, Nocent O, Buisseret F, Dierick F, Slama R, Bertucci W, Thévenon A, Simoneau-Buessinger E. (2022). Machine learning identifies chronic low back pain patients from an instrumented trunk bending and return test. Sensors 3;22(13):5027. doi: 10.3390/s22135027

Résumé : Nous avons analysé la pertinence de divers algorithmes d’apprentissage automatique (ML) et d’entropie d’échantillon (SampEn) afin d’évaluer la complexité de la variabilité du mouvement dans l’identification de l’état de la lombalgie. Vingt patients souffrant de lombalgie chronique (CLBP) et 20 participants en bonne santé ont effectué des mouvements répétitifs de flexion et d’extension du tronc pendant 1 minute. L’analyse a été effectuée à l’aide des séries chronologiques enregistrées par trois capteurs inertiels attachés. Il a été constaté que SampEn était significativement plus faible chez les patients CLBP, indiquant une perte de complexité des mouvements due à la lombalgie. La vitesse angulaire du mouvement de flexion était la caractéristique la plus discriminante dans l’analyse ML.