La compréhension des douleurs cervicales est un enjeu sociétal important. Les données cinématiques provenant de capteurs peuvent aider à mieux comprendre les mécanismes physiopathologiques associés aux douleurs cervicales grâce à une évaluation sensorimotrice quantitative d’un patient. 

L’objectif de cette étude était d’évaluer l’utilité potentielle de l’intelligence artificielle avec plusieurs algorithmes de machine learning (ML) afin d’évaluer la performance sensorimotrice du cou. La vitesse angulaire et l’accélération angulaires mesurées par un capteur inertiel placé sur le front pendant le test du laser DidRen chez trente-huit patients souffrant de douleurs cervicales non spécifiques aiguës et subaiguës (ANSP) ont été comparées à celles de quarante-deux participants témoins sains (HCP). 

Sept algorithmes de ML supervisés ont été choisis pour les prédictions. Les caractéristiques cinématiques les plus informatives ont été calculées à l’aide de méthodes de sélection séquentielle des caractéristiques. L’algorithme le plus performant est un linear support vector machine, avec une précision de 82 % et une aire sous la courbe de 84 %. La caractéristique cinématique la plus discriminante entre les patients ANSP et HCP est le premier quartile de la vitesse angulaire de tangage de la tête. 

Notre étude a montré que les algorithmes ML supervisés pouvaient être utilisés pour classer les patients et identifier les caractéristiques cinématiques discriminatoires potentiellement utiles pour les cliniciens dans l’évaluation et le suivi de la performance sensorimotrice du cou chez les patients.