换一批基于人工智能的膝骨关节炎疼痛进展轨迹聚类分析
AI-based clustering analysis of pain progression trajectories in knee osteoarthritis
摘要目的 利用人工智能时间序列聚类方法识别膝骨关节炎病人疼痛进展轨迹,并分析不同轨迹的基线人口学、心理学及生物力学特征差异.方法 研究基于美国骨关节炎倡议组织数据库,纳入右膝在基线、12、24、36及48个月具有完整或可插补膝关节损伤和骨关节炎评分(knee injury and osteoar-thritis outcome score,KOOS)疼痛评分的受试者.将评分转换为疼痛强度指标(疼痛强度=100-KOOS疼痛评分),采用动态时间规整结合聚类算法进行无监督聚类.最终聚类数由多指标综合评分确定.不同类组间差异采用方差分析或秩和检验,事后比较经多重校正.结果 研究共纳入4345例受试者,综合评分推荐聚类数为2,识别出两种疼痛进展轨迹(1 771例与2 574例).基线差异显示:椅站时间(F=33.152,P＜0.001)、股四头肌力量(F=8.249,P=0.004)、400米步行时间(F=6.860,P=0.009)、吸烟量(F=6.019,P=0.014)及抑郁评分(F=5.871,P=0.015)在轨迹间差异显著,两轨迹膝骨关节炎影像分级分布上也有明显差别(χ2=13.000,P=0.011).事后比较提示,进展更加迅速的病人群体抑郁程度更高、结构性改变更明显、吸烟负荷更大且肌力更低.结论 人工智能时间序列聚类可有效识别膝骨关节炎疼痛进展的两种主要轨迹,揭示疼痛演变的动态差异.持续加重者多伴抑郁、肌力下降及功能受限,而功能与肌力较好者疼痛改善倾向更显著.
更多相关知识
关键词
膝骨关节炎疼痛进展轨迹人工智能时间序列聚类动态时间规整Knee osteoarthritisPain progression trajectoryArtificial intelligenceTime series clusteringDynamic time warping
栏目名称
DOI
10.3969/j.issn.1674-8573.2026.01.004
发布时间
2026-02-07（万方平台首次上网日期，不代表论文的发表时间）
基金项目
四川省科技计划项目（2025YFHZ0110）
- 浏览6
- 被引0
- 下载6
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
