如果您对骨科疾病生信临床研究感兴趣，请为小骨点点关注，持续解读骨科前沿生信文献和思路。如果您需要定制化服务，欢迎扫码联系小骨~
文章标题：Machine learning insights into scapular stabilization for alleviating shoulder pain in college students
中文标题：机器学习洞察肩胛骨稳定以缓解大学生肩痛
发表期刊：Sci Rep
发表时间：2024年11月
影响因子：3.8/Q2
研究目的
非特异性肩痛是一种常见的肌肉骨骼疾病，尤其是在大学生中，它会对患者的生活产生负面影响。治疗师使用肩胛骨稳定练习 （SSE） 来增强肩胛骨的控制和活动能力。本研究调查了肩胛骨稳定性练习对治疗非特异性肩痛影响的预测，利用先进的机器学习技术进行全面评估和分析。
研究方法
该研究使用各种回归模型，包括 Gamma Regressor、Tweedie Regressor、Poisson Regressor 等，研究了各种锻炼的有效性与其对肩痛管理的影响之间的关系。此外，该研究采用了优化技术，例如 Hyperopt、scikit-optimize、optunity、GPyOpt 和 Optuna，以微调锻炼方案以获得最佳结果。结果表明，当使用机器学习算法进行优化时，肩胛骨稳定练习对减轻大学生的肩痛有很大帮助。在优化技术中，scikit-optimize 表现出最佳性能，导致均方误差为 0.0085，平均绝对误差为 0.0712，R2 分数为 0.8501，令人印象深刻。
研究结果
1.所提出的回归机器学习技术的结果
描述了用于预测治疗后 SAS 90 的各种常规回归模型和优化回归模型的评估结果，以及它们相应的性能指标。概述了评估标准，例如调整后的 R 平方、R 平方、均方根误差 （RMSE） 和传统回归模型的执行时间。相比之下，提供了对通过不同优化技术实现的优化回归模型的评估结果的见解，其中重点在于均方误差、平均绝对误差、R 平方分数和执行时间。以下是对 Table 的分析和扩展：数据集中不同特征之间的相关系数如表所示。该表已按如下方式进行分析和扩展：第一个特征：此列中显示要关联的第一个特征的名称。
第二个特征：此列中显示要关联的第二个特征的名称。
相关性：第一和第二特征之间的相关系数在此列中表示。相关值 1 表示完全正相关，而 1 表示完全负相关。相关系数 0 表示没有关系。表提供了不同特征选择方法的选定特征。每种方法都旨在识别被认为对预测目标变量很重要的特征子集。该表已分析并扩展如下。文章小结
该研究利用机器学习技术调查患者特征与肩胛骨稳定练习 （SSE） 在缓解大学生非特异性肩痛方面的疗效之间的复杂关系。如果您对生信分析和公共数据库挖掘感兴趣，但时间和精力有限或者缺乏相关经验，小骨非常乐意为您提供如下服务：免费思路评估、付费方案设计和生信分析等，有意向的老师欢迎联系小骨哦！
