Lombalgie : Analyse exploratoire et partitionnement de données pour un nouveau paradigme

Non-specific low back pain (NSLBP) is a major public health issue and is a concern in most if not all contemporary societies. Despite NSLBP being so widespread, our understanding of its underlying causes, as well as our capacity to provide effective treatments, remains limited due to the high diversity in the population that does not respond to generic treatments. Clustering the NSLBP population based on shared characteristics offers a potential solution for developing personalized interventions. However, the complexity of NSLBP and the reliance on subjective categorical data in previous attempts present challenges in achieving reliable and clinically meaningful clusters. This work features to goals : 1. First objective : Provide an exploratory work to better understand the influence and importance of the selected variables in regards to NSLBP and our sample population, and gather information to prepare subgrouping2. Second objective : Provide an attempt at clustering our population sample in order to discriminate valuables subgroups Data were acquired from 46 subjects who performed six simple movement tasks (back extension, back flexion, lateral trunk flexion right, lateral trunk flexion left, trunk rotation right, and trunk rotation left) at two different s peeds (maximum and preferred). High-density electromyography (HD EMG) data from the lower back region were acquired, jointly with motion capture data, using passive reflective markers on the subject’s body and clusters of markers on the subject’s spine. An exploratory analysis was conducted using a deep neural network and factor analysis. Based on selected variables, various models were trained to classify individuals as healthy or having NSLBP in order to assess the importance of different variables. The models were trained using different set of data : full data set, anthropometric data set, biomechanical data set, neuromuscular data set, and balance and proprioception data set. The models achieved high accuracy in categorizing individuals as healthy or NSLBP. Factor analysis revealed that individuals with NSLBP exhibited different movement patterns to healthy individuals, characterized by slower and more rigid movements. Anthropometric variables (age, sex, and BMI) were significantly correlated with NSLBP components. Clustering was attempted on our full data set, and reduced data set, using PCA or the insights gather in the exploratory analysis part. The data set were either movement agnostic or movement specific. Results s howed v iable c lustering using spectral algorithm, with the RBF kernel and the discretize label assignment’s algorithm, expressing a spectrum of low back pain as did similar work before. The data set used was the full data set with spine cluster of marker data, after dimension reduction using principal component analysis. In conclusion, different data types, such as body measurements, movement patterns, and neuromuscular activity, can provide valuable information for identifying individuals with NSLBP. To gain a comprehensive understanding of NSLBP, it is crucial to investigate the main domains influencing its prognosis as a cohesive unit rather than studying them in isolation. Simplifying the conditions for acquiring dynamic data is recommended to reduce data complexity, and using back flexion and trunk rotation as effective options should be further explored. The importance and probable usefulness of meta data, such as anthropometric data for the biophysical domain, was also noted. In the light of those results, we formulated the following new paradigm hypothesis : low back pain yields adaptations common to every subject, but due to inter-subject differences in the 5 main domains known to have a major influence on low back pain prognosis (biophysical, comorbidities, social, psychological and genetic) those adaptations are expressed in very unique way for each subject.La lombalgie non spécifique (LNS) est un problème majeur de santé publique vastement répandu dans les sociétés contemporaines. Malgré la prévalence importante de la LNS, notre compréhension des causes sous-jacentes à la LNS, ainsi que notre capacité à fournir des traitements adaptés et efficace pour tous les patients, reste limitée en raison de la grande diversité de la population qu’englobe la LNS et qui ne répond pas à des traitements génériques. Le regroupement de la population atteinte de LNS en fonction de caractéristiques communes offre une solution potentielle pour développer des interventions personnalisées. Cependant, la complexité de la LNS et la dépendance aux données catégoriques subjectives dans les tentatives de regroupement précédentes posent des défis pour parvenir à des regroupements fiables et cliniquement significatifs. Ce travail à pour visée deux objectifs : 1. Premier objectif : Fournir une étude exploratoire pour mieux comprendre l’influence et l’importance des variables sélectionnées par rapport à la LNS et à notre population d’échantillonnage, et recueillir des informations pour préparer la création de sous-groupes.2. Deuxième objectif : Tenter de regrouper notre échantillon de population afin d’identifier des sous-groupes précieux.Les données ont été acquises sur 46 sujets. Notre protocole se basait sur un jeu de mouvement simple effectué à différentes vitesses : extension du dos, flexion du dos, flexion latérale du tronc ( à droite e t à gauche), rotation du tronc (à droite e t à gauche), à vitesse maximum et naturelle. Des données d’électromyographie haute densité (EMG HD) de la région lombaire ont été collectées, conjointement à des données de capture de mouvement à l’aide de marqueurs réfléchissants passifs sur le corps du sujet ainsi que grâce à des groupes de marqueurs sur la colonne vertébrale du sujet. Une analyse exploratoire a été réalisée à l’aide d’un réseau neuronal profond et d’une analyse factorielle en se basant sur des variables sélectionnées préalablement grâce à une étude la littérature. Différents modèles d’apprentissage profond ont été entraînés pour classifier les individus entre sujets sains ou atteints de LNS, afin d’étudier le pouvoir d’information des différentes variables utilisées. Les modèles ont été entraînés en utilisant différents sets de données : jeu de données entier, variables anthropométriques, jeu de données biomécaniques, jeu de données neuromusculaires ou jeu de données liées à l’équilibre et la proprioception. Les modèles ont atteint de hauts résultats de classification. L’analyse factorielle a révélé que les individus atteints de LNS présentaient des schémas de mouvement différents d e c eux des individus en bonne santé, caractérisés par des mouvements plus lents et plus rigides. Les variables anthropométriques (âge, sexe et IMC) étaient significativement corrélées avec les composantes de la LNS. Des tentatives de regroupement ont été réalisées sur notre ensemble de données complet et un ensemble de données réduit en utilisant l’ACP ou les informations recueillies dans la partie de l’analyse exploratoire. Les ensembles de données étaient soit agnostiques au mouvement, soit spécifiques au mouvement. Les résultats ont montré un regroupement viable en utilisant un algorithme spectral avec le noyau RBF et l’algorithme d’assignation d’étiquettes discrète, comme dans des travaux similaires antérieurs. L’ensemble de données utilisé était l’ensemble de données complet avec les données de marqueurs de la colonne vertébrale, après réduction de dimension à l’aide de l’analyse en composantes principales. En conclusion, différents types de données, tels que les mesures corporelles, les schémas de mouvement et l’activité neuromusculaire, peuvent fournir des informations précieuses pour identifier les individus atteints de LNS. Pour obtenir une compréhension globale de la LNS,... [etc