طب توانبخشی، جلد ۱۴، شماره ۵، صفحات ۸۰۴-۸۲۳
عنوان فارسی تحلیل پارامترهای بالینی و بیومکانیکی مفصل زانو در بیماران مبتلا به آرتروز با استفاده از داده‌های بزرگ و الگوریتم‌های یادگیری ماشین
چکیده فارسی مقاله مقدمه و اهداف آرتروز زانو یکی از شایع‌ترین بیماری‌های اسکلتی-عضلانی است که با افزایش سن، احتمال بروز آن افزایش می‌یابد. ارزیابی دقیق شدت آرتروز و شناسایی عوامل مرتبط ازجمله ضخامت فضای مفصل، زوایای راستای مفصل و همگرایی با آن می‌تواند به تشخیص زودهنگام و بهبود روند درمان کمک کند. هدف اصلی این پژوهش، تحلیل آماری و پیش‌بینی شدت آرتروز زانو از طریق داده‌های بیومکانیکی و بالینی با استفاده از روش‌های یادگیری ماشین می‌باشد.
مواد و روش‌ها این پژوهش به‌صورت پیگیری‌محور بر روی 297 بیمار با میانگین سنی 66/5 سال که حداقل 2 سال علائم درد زانو داشتند، انجام شد. تصاویر رادیوگرافی به روش استاندارد خم‌شده-ثابت و خلفی-قدامی تهیه شد و مرزهای استخوانی با استفاده از نرم‌افزار بون‌فایندر مبتنی بر مدل جنگل تصادفی استخراج گردید. سپس متغیرهای بیومکانیکی شامل ضخامت فضای مفصل، زاویه راستای مفصل و زاویه همگرایی، با استفاده از نرم‌افزار اودیا (مبتنی بر برنامه‌نویسی متلب) اندازه‌گیری شدند. ارتباط شدت آرتروز از داده‌های بیومکانیکی و بالینی ازجمله جنسیت، وزن، قد، شاخص توده بدنی و سن در این مطالعه صورت گرفت. از روش‌های یادگیری ماشین شامل نزدیک‌ترین همسایه، شبکه عصبی مصنوعی، کت‌بوست-باینری و کت‌بوست-چندمتغیره همراه با مدل‌های کلاسه‌بندی جنگل تصادفی و باینری در تحلیل آماری جهت یافتن ارتباط بین این متغیرها با شدت آرتروز استفاده شد. همچنین، برای تحلیل داده‌ها از رگرسیون آماری و ضریب همبستگی پیرسون استفاده شد.
یافته‌ها نتایج نشان داد حداقل ضخامت فضای مفصل، راستای مفصل، زاویه همگرایی و وزن تأثیر معناداری بر پیشرفت آرتروز دارند. مدل کت‌بوست باینری با دقت 82 درصد و مدل کت‌بوست چندمتغیره با دقت 60 درصد و حساسیت 73 درصد، عملکرد بهتری در تحلیل متغیرهای بیومکانیکی و تشخیص آرتروز خفیف از خود نشان دادند. براساس نتایج، دقت کلی 54 درصد کلاسه‌بندی جنگل تصادفی در چارچوب مدل کت‌بوست، عملکرد بهتری در تحلیل پارامترهای بالینی نسبت به سایر مدل‌ها داشت.
نتیجه‌گیری مجموعه این نتایج نشان می‌دهد مدل‌های یادگیری ماشین، به‌ویژه کت‌بوست، می‌توانند ابزارهای قدرتمند و مؤثری برای تحلیل آماری و پیش‌بینی پیشرفت آرتروز زانو باشند. عملکرد بالای این مدل‌ها در پردازش پارامترهای بیومکانیکی، کاربرد آن‌ها را در طراحی سیستم‌های تشخیص یاری‌رسان مبتنی بر تصویر و ارتقای ابزارهای تصمیم‌یار در کلینیک‌های ارتوپدی توجیه می‌کند.
کلیدواژه‌های فارسی مقاله آرتروز زانو، یادگیری ماشین، داده‌های بزرگ، ضخامت مفصل، هوش مصنوعی،
عنوان انگلیسی Analysis of Clinical and Biomechanical Parameters of the Knee Joint in Patients With Osteoarthritis Using Big Data and Machine Learning Algorithms
چکیده انگلیسی مقاله Background and Aims Knee osteoarthritis (OA) is a prevalent chronic condition in the elderly, primarily caused by degeneration of articular cartilage. It leads to pain and restricted mobility, and is often diagnosed at an advanced stage. Risk factors include obesity, genetic predisposition, and skeletal deformities such as valgus and varus knees. This study aimed to evaluate the potential of artificial intelligence (AI) and machine learning (ML) techniques in the statistical analysis and prediction of knee OA severity using biomechanical and clinical data.
Methods Based on a follow-up study, radiographic knee joint images were analyzed using AI-based methods to extract bone boundaries. Key biomechanical parameters, including joint space width (JSW), femoral-tibial angle (FTA), and joint line convergence angle (JLCA), as well as clinical variables, such as weight, height, body mass index (BMI), age, and gender, were measured. ML models, including K-nearest neighbors (KNN), artificial neural networks (ANN), binary and multiclass CatBoost, and random forest classifiers, were used in statistical analysis to determine the relationship between these variables and OA severity. Also, statistical regression and Pearson’s correlation coefficient were used to analyze the data.
Results The results showed that minimum JSW, FTA, JLCA, and weight significantly affected OA progression. The binary CatBoost model achieved 82% accuracy, and the multiclass CatBoost model demonstrated 60% accuracy with 73% sensitivity for identifying mild OA cases based on biomechanical parameters. Additionally, the random forest classification framework within CatBoost achieved an overall accuracy of 54% and showed better performance in analyzing clinical parameters compared to other models.
Conclusion ML models, particularly CatBoost and Random Forest, demonstrate promising performance in predicting and evaluating knee OA progression. These findings highlight the potential of ML techniques as supportive tools in clinical decision-making for the diagnosis and monitoring of OA.
کلیدواژه‌های انگلیسی مقاله آرتروز زانو, یادگیری ماشین, داده‌های بزرگ, ضخامت مفصل, هوش مصنوعی
نویسندگان مقاله علی بهرامیان |
گروه مهندسی مکانیک/گروه پژوهشی ارتوپدی بیومکانیک، دانشکده‌ مهندسی، دانشگاه بیرجند، بیرجند، ایران.

وحید اربابی |
گروه مهندسی مکانیک/گروه پژوهشی ارتوپدی بیومکانیک، دانشکده‌ مهندسی، دانشگاه بیرجند، بیرجند، ایران.

مهدی راغبی |
گروه مهندسی مکانیک/گروه پژوهشی ارتوپدی بیومکانیک، دانشکده‌ مهندسی، دانشگاه بیرجند، بیرجند، ایران.

نشانی اینترنتی https://medrehab.sbmu.ac.ir/article_1101844_4005f0a52db6068f4cd201ef78e053f2.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات