Inzicht in nekpijn is een belangrijk maatschappelijk vraagstuk. Kinematische gegevens van sensoren kunnen helpen om inzicht te krijgen in de pathofysiologische mechanismen geassocieerd met nekpijn door middel van een kwantitatieve sensorimotorische beoordeling van één patiënt. 

Het doel van deze studie was het evalueren van de potentiële bruikbaarheid van artificiële intelligentie met verschillende machine learning (ML) algoritmen bij het beoordelen van de sensorimotorische prestaties van de nek. Hoeksnelheid en versnelling gemeten door een inertiële sensor geplaatst op het voorhoofd tijdens de DidRen laser test in achtendertig acute en subacute aspecifieke nekpijn (ANSP) patiënten werden vergeleken met tweeënveertig gezonde controle deelnemers (HCP). 

Zeven gesuperviseerde ML algoritmes werden gekozen voor de voorspellingen. De meest informatieve kinematische kenmerken werden berekend met behulp van Sequential Feature Selection methoden. Het best presterende algoritme is de Linear Support Vector Machine met een nauwkeurigheid van 82% en een Area Under Curve van 84%. Het beste discriminerende kinematische kenmerk tussen ANSP-patiënten en HCP is het eerste kwartiel van de hoeksnelheid van het hoofd. 

Onze studie heeft aangetoond dat gesuperviseerde ML algoritmen gebruikt kunnen worden om ANSP patiënten te classificeren en discriminerende kinematische kenmerken te identificeren die mogelijk nuttig zijn voor clinici bij de beoordeling en monitoring van de sensorimotorische prestaties van de nek bij ANSP patiënten.