근막통증유발점은 단순히 근육통의 증상일 뿐만 아니라, 상지근골격계 장애 발생의 원인이 된다. 근막통증유발점의 정확하고, 간단한 진단예측은 임상의사결정 과정에서 중요하다. 위등세모근은 근막통증유발점이 빈번히 발생하는 근육이고, 이러한 위등세모근 근막통증유발점은 목과 어깨통증이 있는 환자에게서 관찰된다. 위등세모근은 종종 ...
근막통증유발점은 단순히 근육통의 증상일 뿐만 아니라, 상지근골격계 장애 발생의 원인이 된다. 근막통증유발점의 정확하고, 간단한 진단예측은 임상의사결정 과정에서 중요하다. 위등세모근은 근막통증유발점이 빈번히 발생하는 근육이고, 이러한 위등세모근 근막통증유발점은 목과 어깨통증이 있는 환자에게서 관찰된다. 위등세모근은 종종 앞톱니근, 아래등세모근과 같은 다른 어깨근육들의 약화나 지연된 활성을 보상하기 위해 과사용 되고, 이 경우 어깨뼈를 위쪽 돌림 시키기보다는 어깨뼈의 올림을 만들어낸다. 또한 부족한 오목위팔관절의 움직임은 보상적인 어깨뼈의 올림을 만들어낼 수 있다. 거북목자세, 굽은어깨와 같은 자세로 인한 스트레스도 근막통증유발점과 관련된 목통증의 주요한 원인이다. 데이터 마이닝 기법은 분류와 예측이 중요한 분야에서 많이 사용되고 있다. 몇몇 연구들은 데이터마이닝 기법을 이용하여 위등세모근 근막통증유발점의 위험도 또는 유무를 예측하는 모델을 개발하였다. 하지만 이러한 연구들은 신체의 기능을 측정하지 않고, 이미지, 근전도, 장애정도 설문지를 이용하여 예측모델을 개발하였다. 이 연구의 목적은 1) 위등세모근 근막통증유발점 유무를 예측하는 모델을 신체적 손상과 관련된 변수들을 이용하여 로지스틱회귀분석, 의사결정나무, 인공신경망을 기반으로 만들고, 2) 예측모델의 성능을 비교하는 것이다. 180명의 대상자(위등세모근에 근막통증유발점이 있는 대상자 79명, 위등세모근에 근막통증유발점이 없는 대상자 101명)가 실험에 참여하였다. 로지스틱회귀 모델, 의사결정나무 모델, 인공신경망 모델을 이용하여 위등세모근 근막통증유발점의 유무를 예측하는 모델을 만들기 위해 나이, 키, 몸무게, 성별, 어깨뼈내밈 근력, 팔꿉관절굽힘 근력, 능동어깨벌림, 수동어깨벌림, 어깨안쪽돌림, 어깨수평모음, 목축돌림, 거북목자세, 굽은어깨의 13가지 변수들이 사용되었다. 분석결과, 모델의 성능은 인공신경망 모델이 검정 데이터세트에서 가장 높은 정확도 (94.29%)와 수신자 조작 특성 곡선 아래면적 (0.980)을 보였다. 로지스틱 회귀 모델은 검정 데이터세트에서 가장 낮은 정확도 (82.86%)를 보였다. 하지만 의사결정나무 모델이 검정 데이터셋에서 가장 낮은 수신자 조작 특성 곡선 아래면적 (0.877)을 보였다. 이 연구에서의 예측모델들은 위등세모근 근막통증유발점 유무 예측을 위해 어깨뼈내밈근력과 목축돌림이 공통의 예측변수라는 것을 보여주었다. 세 가지 모델은 정확도와 수신자 조작 특성 곡선 아래면적 측면에서 모두 받아들일 수 있는 수준의 성능을 보였다. 그러므로, 이 연구에서의 예측모델들이 임상적 적용과 통합된다면 의사결정을 지원하는 도구로 사용될 수 있을 것으로 생각된다.
근막통증유발점은 단순히 근육통의 증상일 뿐만 아니라, 상지 근골격계 장애 발생의 원인이 된다. 근막통증유발점의 정확하고, 간단한 진단예측은 임상의사결정 과정에서 중요하다. 위등세모근은 근막통증유발점이 빈번히 발생하는 근육이고, 이러한 위등세모근 근막통증유발점은 목과 어깨통증이 있는 환자에게서 관찰된다. 위등세모근은 종종 앞톱니근, 아래등세모근과 같은 다른 어깨근육들의 약화나 지연된 활성을 보상하기 위해 과사용 되고, 이 경우 어깨뼈를 위쪽 돌림 시키기보다는 어깨뼈의 올림을 만들어낸다. 또한 부족한 오목위팔관절의 움직임은 보상적인 어깨뼈의 올림을 만들어낼 수 있다. 거북목자세, 굽은어깨와 같은 자세로 인한 스트레스도 근막통증유발점과 관련된 목통증의 주요한 원인이다. 데이터 마이닝 기법은 분류와 예측이 중요한 분야에서 많이 사용되고 있다. 몇몇 연구들은 데이터마이닝 기법을 이용하여 위등세모근 근막통증유발점의 위험도 또는 유무를 예측하는 모델을 개발하였다. 하지만 이러한 연구들은 신체의 기능을 측정하지 않고, 이미지, 근전도, 장애정도 설문지를 이용하여 예측모델을 개발하였다. 이 연구의 목적은 1) 위등세모근 근막통증유발점 유무를 예측하는 모델을 신체적 손상과 관련된 변수들을 이용하여 로지스틱회귀분석, 의사결정나무, 인공신경망을 기반으로 만들고, 2) 예측모델의 성능을 비교하는 것이다. 180명의 대상자(위등세모근에 근막통증유발점이 있는 대상자 79명, 위등세모근에 근막통증유발점이 없는 대상자 101명)가 실험에 참여하였다. 로지스틱회귀 모델, 의사결정나무 모델, 인공신경망 모델을 이용하여 위등세모근 근막통증유발점의 유무를 예측하는 모델을 만들기 위해 나이, 키, 몸무게, 성별, 어깨뼈내밈 근력, 팔꿉관절굽힘 근력, 능동어깨벌림, 수동어깨벌림, 어깨안쪽돌림, 어깨수평모음, 목축돌림, 거북목자세, 굽은어깨의 13가지 변수들이 사용되었다. 분석결과, 모델의 성능은 인공신경망 모델이 검정 데이터세트에서 가장 높은 정확도 (94.29%)와 수신자 조작 특성 곡선 아래면적 (0.980)을 보였다. 로지스틱 회귀 모델은 검정 데이터세트에서 가장 낮은 정확도 (82.86%)를 보였다. 하지만 의사결정나무 모델이 검정 데이터셋에서 가장 낮은 수신자 조작 특성 곡선 아래면적 (0.877)을 보였다. 이 연구에서의 예측모델들은 위등세모근 근막통증유발점 유무 예측을 위해 어깨뼈내밈근력과 목축돌림이 공통의 예측변수라는 것을 보여주었다. 세 가지 모델은 정확도와 수신자 조작 특성 곡선 아래면적 측면에서 모두 받아들일 수 있는 수준의 성능을 보였다. 그러므로, 이 연구에서의 예측모델들이 임상적 적용과 통합된다면 의사결정을 지원하는 도구로 사용될 수 있을 것으로 생각된다.
Myofascial trigger points (MTrPs) play a causal role in the development of upper extremity musculoskeletal disorders. An accurate, simple diagnostic prediction of MTrPs is important for the clinical decision-making process. The upper trapezius (UT) muscle is frequently affected by MTrPs, as observed...
Myofascial trigger points (MTrPs) play a causal role in the development of upper extremity musculoskeletal disorders. An accurate, simple diagnostic prediction of MTrPs is important for the clinical decision-making process. The upper trapezius (UT) muscle is frequently affected by MTrPs, as observed in patients with neck and shoulder pain. UT is often overused to compensate for weakness or delayed onset of other scapular muscles such as serratus anterior and lower trapezius, leading to scapular elevation rather than upward rotation. Moreover, insufficient motion of glenohumeral joint during shoulder abduction could lead to the compensatory scapular elevation. Postural stresses are a common cause of MTrPs and related neck pain, especially forward head posture (FHP) and rounded shoulder posture (RSP). Data mining techniques have widespread uses in several disciplines for classification and prediction. Several studies have developed prediction models for the risk or presence of UT MTrPs based on data mining techniques. However, these studies developed prediction models based on imaging, electromyography, and disability questionnaires. This study aimed to 1.) establish a predictive model for the presence of UT MTrPs based on logistic regression (LR), decision tree (DT), artificial neural network (ANN) using variables related to physical impairments and 2.) to compare the performance of predictive models. One hundred and eighty subjects (79 subjects with MTrPs and 101 subjects without MTrPs) participated in this study. The isometric muscle strengths of scapular protractor strength (SPS) and elbow flexor strength (EFS) were measured using Smart KEMA strength sensor. The range of motion (ROM) of active shoulder abduction (ASABD), passive shoulder abduction (PSABD), internal rotation (IR), horizontal adduction (HA), axial neck rotation (NR) were measured using Smart KEMA motion sensor. Forward head posture (FHP) was measured using a digital goniometer. A digital caliper was used to measure rounded shoulder posture (RSP). Thirteen variables (age, height, weight, sex, SPS, EFS, ASABD, PSABD, IR, HA, NR, FHP, RSP) were used to develop the prediction model for the presence of UT MTrPs using an LR model, DT model, and ANN model. ANN showed highest accuracy (94.29%) and the area under the receiver operating characteristics curve (AUC) (0.980) in the test data set. LR showed lowest accuracy (82.86%) in the test data set. However, DT showed the lowest AUC (0.877) in the test data set. In this study, the predictive models showed that SPS and NR are common indicators for predicting the presence of UT MTrPs. All models showed acceptable performances in terms of accuracy and AUC. Therefore, the predictive models in this study are potential decision support tools once integrated into clinical practice.
Myofascial trigger points (MTrPs) play a causal role in the development of upper extremity musculoskeletal disorders. An accurate, simple diagnostic prediction of MTrPs is important for the clinical decision-making process. The upper trapezius (UT) muscle is frequently affected by MTrPs, as observed in patients with neck and shoulder pain. UT is often overused to compensate for weakness or delayed onset of other scapular muscles such as serratus anterior and lower trapezius, leading to scapular elevation rather than upward rotation. Moreover, insufficient motion of glenohumeral joint during shoulder abduction could lead to the compensatory scapular elevation. Postural stresses are a common cause of MTrPs and related neck pain, especially forward head posture (FHP) and rounded shoulder posture (RSP). Data mining techniques have widespread uses in several disciplines for classification and prediction. Several studies have developed prediction models for the risk or presence of UT MTrPs based on data mining techniques. However, these studies developed prediction models based on imaging, electromyography, and disability questionnaires. This study aimed to 1.) establish a predictive model for the presence of UT MTrPs based on logistic regression (LR), decision tree (DT), artificial neural network (ANN) using variables related to physical impairments and 2.) to compare the performance of predictive models. One hundred and eighty subjects (79 subjects with MTrPs and 101 subjects without MTrPs) participated in this study. The isometric muscle strengths of scapular protractor strength (SPS) and elbow flexor strength (EFS) were measured using Smart KEMA strength sensor. The range of motion (ROM) of active shoulder abduction (ASABD), passive shoulder abduction (PSABD), internal rotation (IR), horizontal adduction (HA), axial neck rotation (NR) were measured using Smart KEMA motion sensor. Forward head posture (FHP) was measured using a digital goniometer. A digital caliper was used to measure rounded shoulder posture (RSP). Thirteen variables (age, height, weight, sex, SPS, EFS, ASABD, PSABD, IR, HA, NR, FHP, RSP) were used to develop the prediction model for the presence of UT MTrPs using an LR model, DT model, and ANN model. ANN showed highest accuracy (94.29%) and the area under the receiver operating characteristics curve (AUC) (0.980) in the test data set. LR showed lowest accuracy (82.86%) in the test data set. However, DT showed the lowest AUC (0.877) in the test data set. In this study, the predictive models showed that SPS and NR are common indicators for predicting the presence of UT MTrPs. All models showed acceptable performances in terms of accuracy and AUC. Therefore, the predictive models in this study are potential decision support tools once integrated into clinical practice.
주제어
#Artificial neural network Decision tree Logistic regression Myofascial trigger points Prediction model Upper trapezius 근막통증유발점 로지스틱회귀 예측모델 위등세모근 의사결정나무 인공신경망
학위논문 정보
저자
곽경태
학위수여기관
Graduate School, Yonsei University
학위구분
국내박사
학과
Department of Physical Therapy
지도교수
Ohyun Kwon
발행연도
2021
총페이지
viii, 71장
키워드
Artificial neural network Decision tree Logistic regression Myofascial trigger points Prediction model Upper trapezius 근막통증유발점 로지스틱회귀 예측모델 위등세모근 의사결정나무 인공신경망
※ AI-Helper는 부적절한 답변을 할 수 있습니다.