2.3 本次评估的目标人群是 16 岁及以上患有非特异性腰痛的人。该病症可能是急性的(即持续时间少于 3 个月),也可能是慢性的(即持续时间 3 个月或更长时间)。NICE 关于 16 岁以上腰痛和坐骨神经痛的指南建议考虑几种非药物干预措施来治疗腰痛。这些措施包括自我管理、锻炼、手法治疗、心理治疗、身体和心理相结合的计划以及重返工作岗位的计划。它建议根据个人的具体需求、偏好和能力量身定制这些干预措施。
分析人类运动是一个活跃的研究领域,具有各种应用。在这项工作中,我们使用机器人教练系统进行身体康复的背景下关注人类运动分析。计算机辅助评估的体育康复评估需要评估患者绩效,以完成基于用感官系统捕获的处理运动数据(例如RGB和RGB-D摄像机)完成规定的Reha-BiLitation练习。作为RGB图像的2D和3D人姿势估计取得了极大的改进,我们旨在使用从RGB-D摄像头(Microsoft Kinect)获得的运动数据和RGB视频(OpenPose和Blazepose算法)进行比较进行体育康复练习的评估。从位置(和方向)特征采用了高斯混合模型(GMM),其性能指标基于GMM的对数可能性值定义。评估是在临床患者的医学数据库上进行的,该数据库进行了较低的背痛康复运动,以前由机器人罂粟指导。
下背痛 (LBP) 是全球范围内导致残疾的主要因素,对健康和社会经济有着深远的影响。主要形式是非特异性下背痛 (NSLBP),缺乏可治疗的病理。针对个人需求和能力量身定制的主动物理干预对于管理下背痛至关重要。然而,NSLBP 的复杂性和临床分类系统的复杂性需要大量的临床培训,阻碍了个性化治疗的获得。机器学习和计算机视觉的最新进展表明,通过可穿戴传感器和光学运动捕捉来表征 NSLBP 改变的运动模式有望成为现实。本研究旨在开发和评估一种机器学习模型(即“BACK-to-MOVE”),用于 NSLBP 分类,该模型使用专家临床分类、标准视频中的脊柱运动数据以及患者报告的结果测量 (PROM) 进行训练。
疼痛描述/背景牵引是使用拉力来治疗肌肉和骨骼疾病。腰部牵引力历史上一直用于治疗门诊(设施)的其他治疗方式。通常,这些方式短期使用。类型的牵引力包括连续/间歇性牵引力,机械牵引力,手动牵引力(非特异性或节段牵引力),自动助理,重力依赖性牵引力和气动牵引力。连续/间歇性牵引连续连续的脊柱牵引力每次使用较小的重量,最多几个小时。间歇性牵引力类似于连续牵引力,但在一定间隔中交替使用并释放牵引力。手动/机械牵引力手动牵引是一种技术,治疗师用手进行脊柱减压。治疗师为脊柱或关节提供了非常具体和受控的干扰力,以减轻疼痛或压缩。机械牵引力涉及一个机械设备,其牵引力交替使用,并每隔几秒钟吸引一次。这可能是使用中最流行的牵引力形式。机械牵引设备的一些例子包括查塔努加新腰部家庭牵引力,桑德斯腰部hometrac和enshey牵引床。
没有指示手术。正确选择符合特定标准的患者(基于从随机对照试验中的史学结果),他们努力地遵守植入物的使用情况并预先实施神经肌肉康复,改善功能恢复显着的成功成功,以及减少止痛药物。接受植入多卵形神经刺激的伤害性机械CLBP患者已受到医生和康复专家的治疗,他们磨练了从事多纤维神经刺激的经验。他们已经合作制定了共识和证据驱动的指南,以提高质量外,并在遇到此设备患者时协助提供者。医师和物理治疗师一起提供精确的以患者为中心的医疗管理,并具有优质的神经肌肉康复,以鼓励患者成为其植入物的专家和优质的脊柱运动,以帮助覆盖长期以来与CLBP相关的长期多发性功能障碍。©2024作者。由Elsevier Inc.代表美国康复医学大会出版。这是CC BY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)下的开放访问文章。
腰痛(LBP)是所有年龄段成年人经历的常见状况。流行病学研究表明,50-80%的个体在其一生中至少经历了一次LBP(1)。非特异性LBP(NLBP),最普遍的LBP形式,没有特定的可识别病理性原因(2)。NLBP的后果超出了疼痛和有限的运动。nlbp也会影响腰椎的本体感受,并且前置感受的退化会加剧患者的症状(3)。NLBP的主要诱导因子是腰部稳定性和肌肉强度降低,脊柱稳定性和姿势控制不良是NLBP患者复发症状的重要病理机制(4,5)。NLBP患者的腰痛触觉和本体感受敏感性降低,感觉和运动缺陷进一步影响
据报道,不同国家的公务员中法律背痛(LBP)的患病率不同,如立陶宛56.1%[9]、德国60%[16]、巴西南部50.2%[17]、芬兰34%[18]、荷兰34%[19]、希腊37.8%[10]、新西兰45%[20]、马来西亚69.7%[21]、伊朗60%[22]、科威特51%[23]、非洲14%至72%[24]和埃塞俄比亚南部38.4%[25]。根据不同的研究,有许多风险因素与腰痛有关,如年龄[25-29]、性别[20,30,31]、BMI、教育水平和婚姻状况[31-34]、工作条件因素,例如坐姿、休息时间、坐着的时间长短和频繁使用电脑[10,25,31,35,36]、工作经验[36-38]、压力[25,32,39,40]、体力锻炼[35,41,42]、吸烟[25,41,43,44]、聊天、咀嚼和饮酒[25,27,28,36]。
摘要:本研究探讨了脑电图超慢神经反馈 (EEG ISF-NF) 训练对有效连接的影响,并测试这种有效连接的变化是否与慢性腰痛患者的疼痛和残疾变化有关。这涉及一项双盲随机安慰剂对照试验的二次分析。参与者 (n = 60) 随机接受针对膝前扣带皮层 (pgACC)、背侧前扣带皮层和躯体感觉皮层 (dACC + S1)、pgACC*2/dACC + S1 比率的 ISF-NF 或假性 NF。在基线、干预后立即以及一周和一个月的随访中评估静息态脑电图和临床结果。 Kruskal-Wallis 检验表明,在一个月的随访中,从 pgACC 到 S1L 的有效连接在组间存在显著差异,而在一周和一个月的随访中,从 S1L 到 pgACC 的变化略有显著差异。Mann-Whitney U 检验表明,与 Sham-NF 组相比,ISF-NF 上调训练 pgACC 组的有效连接显著增加(一个月时 pgACC 到 S1L(p = 0.013),一周时 S1L 到 pgACC(p = 0.008)和一个月的随访(p = 0.016))。相关性分析表明,在一个月的随访中,从 pgACC 到 S1L 的有效连接变化与疼痛严重程度的变化之间存在显著负相关性(ρ = − 0.630,p = 0.038)。 ISF‑NF 训练 pgACC 可以通过影响 pgACC 和 S1L 之间的有效连接来减轻疼痛。
摘要:腰痛 (LBP) 目前是全球第一大致残原因,具有巨大的社会经济负担。LBP 的诊断和治疗通常涉及多学科、个性化方法,包括多种结果测量和成像数据以及新兴技术。在此过程中产生的数据量不断增加,导致了与人工智能 (AI) 相关的方法的发展,尤其是计算机辅助诊断 (CAD),旨在协助和改善 LBP 的诊断和治疗。在本文中,我们系统地回顾了有关使用 CAD 诊断和治疗慢性 LBP 的现有文献。对 PubMed、Scopus 和 Web of Science 电子数据库进行了系统研究。搜索策略设置为以下关键词的组合:“人工智能”、“机器学习”、“深度学习”、“神经网络”、“计算机辅助诊断”、“下腰痛”、“腰椎”、“椎间盘退变”、“脊柱手术”等。搜索共返回1536篇文章。在删除重复和评估摘要后,排除1386篇,而在全文检查后排除93篇论文,符合条件的文章数为57篇。CAD在LBP中的主要应用包括分类和回归。分类用于识别或对疾病进行分类,而回归用于产生数值输出作为某种指标的定量评估。性能最佳的系统已开发用于从图像数据中诊断脊柱的退行性变化,平均准确率 >80%。然而,CAD 工具执行不同任务(包括分析临床、生物力学、电生理和功能成像数据)也取得了显著成果。需要进一步研究以更好地定义 CAD 在 LBP 护理中的作用。
图 4. EEG 采集到预处理的流程图。1) EEG 以 128 电极阵列的形式采集。2) 数据通过一系列过滤、采样和独立成分分析 (ICA) 进行预处理。使用 ICA 手动提取重要成分以线性解混信号。3) 按电极组织特征并输入机器学习算法 SVM。训练数据集用于开发模型。测试集用于评估模型的性能,而无需事先查看。