壹号娱乐 - NG大舞台,有梦你就来

综述:基于熵的肌肉骨骼疼痛中动力学和运动学改变的分析:一项范围综述

作者:小编    发布时间:2026-08-05 06:31:42    浏览:次

[返回]

  目的:研究人员旨在绘制基于熵的测量如何应用于肌肉骨骼疼痛个体的动力学和运动学信号,并总结跨任务背景的熵变化模式。方法:研究人员按照PRISMA-ScR(PRISMA-ScR)范围综述指南,从建库至2025年8月2日,在八个数据库中进行了检索。纳入同行评审的研究

  目的:研究人员旨在绘制基于熵的测量如何应用于肌肉骨骼疼痛个体的动力学和运动学信号,并总结跨任务背景的熵变化模式。方法:研究人员按照PRISMA-ScR(PRISMA-ScR)范围综述指南,从建库至2025年8月2日,在八个数据库中进行了检索。纳入同行评审的研究,这些研究将熵指标应用于患有肌肉骨骼疼痛的成年人在运动任务中的生物力学信号。数据使用人群-概念-背景(Population–Concept–Context, PCC)框架进行图表化,并采用适用于横断面研究的纽卡斯尔-渥太华量表(Newcastle–Ottawa Scale adapted for cross-sectional studies, NOS-xs)评估方法学质量。结果:18项研究(n=808;428名疼痛患者,380名对照组)符合纳入标准。姿势控制任务(6项研究)中,疼痛组主要表现出较低的熵(更规则的摆动)(5/6)。功能任务(12项研究)显示出混合方向:较低的熵(5项),较高的熵(5项),以及混合或无显著发现(2项)。样本熵(Sample Entropy, SampEn)和近似熵(Approximate Entropy, ApEn)是最常用的指标;多尺度熵(Multiscale Entropy, MSE)很少被应用。结论:基于熵的指标可以检测肌肉骨骼疼痛中运动规律性的改变,但变化的方向取决于病情、任务需求和分析选择。需要更一致的熵参数报告以支持比较和转化。

  文章指出肌肉骨骼疾病是全球残疾的主要原因之一,疼痛作为主要症状常常导致医疗使用和生产力损失。慢性表现(如非特异性慢性下背痛)涉及持续症状、改变神经肌肉策略和运动适应,这些可能无法通过传统生物力学摘要完全捕捉。传统线性生物力学分析通常将运动简化为离散或平均测量,强调关节水平表现或孤立肌肉力量,从而忽略了如节段间相互依赖、时间变异性以及生理适应等关键要素。在慢性下背痛或颈痛患者中,运动模式在仅检查平均关节角度或峰值力时可能看似正常,但重复运动可能变得过度刻板,躯干或颈椎运动周期变异性减少,或在复杂任务(如步态)中出现更不稳定的轨迹。传统离散生物力学指标难以捕捉这些运动规律性的细微变化。从临床角度看,这些规律性变化可能反映运动系统适应能力下降、效率低下的代偿策略或自动控制丧失。熵最初在信息论中引入,用于量化系统的平均不可预测性。在生物力学分析中,熵表征运动信号的时间不规则性和结构化规律性,提供对神经肌肉控制如何在疼痛、疲劳或病理下适应的见解。文章构建了一个概念框架,将熵解释为运动规律性和不规则性的描述符,反映动力学或运动学信号中波动的可预测性。研究区分了规律性、复杂性和适应性:规律性指运动模式的可预测性,复杂性反映跨时间尺度的结构化变异性,适应性代表运动系统灵活应对内外部需求的能力。因此,熵值应根据任务复杂性、信号源和分析背景进行解释,而非统一视为有利或有害。在相对简单的静态任务(如静态站立)中,假设疼痛条件下较低的熵反映更僵化、适应性更差的控制策略;而在复杂的动态任务(如步态、跑步)中,较高的熵可能表明无序或嘈杂的运动输出。基于此框架,研究者预期在肌肉骨骼疼痛中出现任务依赖的熵变化模式:姿势控制任务中熵降低,高复杂性功能任务中熵混合且有时升高。文章选择聚焦于基于熵的测量,因为它们是肌肉骨骼疼痛研究中最常用的非线性指标之一,且作为时间规律性的指标相对易于解释。其他非线性方法(如李雅普诺夫指数或递归定量分析)提供互补信息,但在此文献中出现较少。尽管对基于熵的测量在疼痛相关运动研究中的兴趣增加,但文献在指标、运动任务、传感器技术和研究人群方面仍然异质。理论框架的应用不一致,限制了可比性和临床解释。识别有效、可靠和临床相关的指标需要整合零散研究的证据。肌肉骨骼疼痛疾病是一组异质性疾病,在解剖区域、组织受累、慢性程度和心理社会影响方面存在差异。下背痛、颈痛、肩关节疾病和下肢肌腱病变可能共享一些生物力学特征,但源于不同的病理生理通路。先前的综述检查了运动变异性和非线性生物力学测量,但未绘制基于熵的测量在肌肉骨骼疼痛人群动力学和运动学信号中的应用。此外,先前的综述通常将熵与其他非线性指标结合,限制了对熵特定方法和临床意义的理解。本范围综述故意采用广义的肌肉骨骼疼痛定义,以绘制该领域基于熵的全部应用。意图不是假设跨疾病存在单一共同机制,而是识别运动规律性的趋同和分歧模式,为未来更诊断特异性的研究提供信息。基于熵的指标可能提供传统生物力学测量无法单独捕捉的关于运动适应性、代偿策略、康复监测和恢复轨迹的临床相关信息。文章希望阐明疼痛相关运动评估的现状,为未来组织研究和最终标准化涉及非线性指标的方法奠定基础。生物力学分析已从关注均值离散事件的传统线性测量向能够表征时间动态和运动复杂性的非线性方法演进。自香农引入熵概念后,非线性分析日益应用于人类运动,特别是斯特吉乌和德克尔的工作强调了运动变异性、复杂性与病理之间的关系。

  **研究设计**:本范围综述遵循乔安娜·布里格斯研究所的方法学指南,并根据系统综述和荟萃分析优先报告的扩展项(PRISMA-ScR)进行报告。研究方案在开放科学框架上预先注册。

  **数据来源**:由经验丰富的图书管理员制定检索策略,并针对每个数据库的具体技术配置进行定制。数据库检索于2025年8月2日进行,覆盖从建库至2025年8月,包括PubMed、Web of Science、CINAHL、Cochrane Library、Embase、LILACS和Academic Search Premier。关键检索概念包括与肌肉骨骼疼痛、熵、运动变异性、生物力学、运动学和动力学相关的术语组合。谷歌学术作为补充来源,但不作为独立数据库,以增加相关学术记录的覆盖范围。资格仍然限于符合人群-概念-背景(PCC)纳入标准的原创同行评审研究。

  **资格标准**:使用PCC框架预先定义资格标准。人群:患有肌肉骨骼疼痛的人类参与者,无论年龄、性别或解剖部位。概念:应用基于熵的指标(如样本熵(SampEn)、近似熵(ApEn)、多尺度熵(MSE))评估动力学或运动学结果。背景:任何人类运动分析环境,包括临床、职业、康复或运动背景。符合条件的实验设计为原创同行评审的实证研究。排除标准包括未明确报告基于熵的指标、涉及非肌肉骨骼疼痛人群、或分析人类运动但未提及疼痛条件的研究。会议摘要、学位论文和意见论文被排除,除非附有完整实证数据。

  **证据来源选择**:分两个阶段进行:标题/摘要筛选和全文筛选。筛选前,审校者通过独立筛选46条记录来校准资格标准;差异通过共识解决。使用Rayyan工具管理筛选过程。两名审校者独立筛选每条记录,差异通过共识解决。若无法达成共识,由第三审校者裁决,但最终未出现需要升级的差异。

  **数据图表化过程**:团队基于PCC框架、研究结果和结论制定标准化数据图表化表格。字段包括研究ID、人群特征、疼痛条件、熵方法、生物力学变量、分析工具、应用背景和主要发现。两名审校者使用Microsoft Excel独立图表化数据,并进行预测试。差异通过讨论解决。若需澄清缺失或模糊数据,联系纳入研究的通讯作者。所有图表化数据由第三研究者审核验证。

  **数据项**:提取项包括:研究识别(第一作者、年份、国家);研究特征(设计、样本量、环境);人群(年龄、性别、诊断、疼痛部位、症状持续时间);熵指标(类型、参数、数据维度);生物力学结果(动力学或运动学变量及任务特异性);数据采集工具;分析框架;背景应用;以及关键发现。

  **结果综合**:综合包括叙事和表格元素。数据基于PCC主题分类:人群、疼痛类型、熵方法、生物力学变量和应用环境。总结研究按年份、国家、设计和人群的分布。建立基于熵分析类型的主题组以促进方法比较。关键发现以表格形式呈现,证据图说明熵指标应用的总体趋势并识别持续存在的知识空白。

  **单个证据来源的批判性评价**:采用适用于横断面研究的纽卡斯尔-渥太华量表(NOS-xs)评估纳入横断面研究的方法学质量。该工具包含三个领域共六个项目:研究样本选择(最多2星)、暴露和结果评估(最多4星)以及混杂控制(最多3星),总分9星。研究分为低风险(7-9)、中等风险(4-6)或高风险(0-3)偏倚。差异通过共识讨论和解决。

  **熵测量:数学基础**:本综述识别了三个主要熵指标家族:近似熵(ApEn)、样本熵(SampEn)和多尺度熵(MSE),以及较少应用的指标如频谱熵和空间样本熵。简要而言,ApEn和SampEn估计长度为N的时间序列中,长度m的短序列在容忍度r内相似,当扩展到长度m+1时仍保持相似的条件概率的负对数。SampEn通过排除自匹配改善ApEn,在较短信号中产生较少偏倚。MSE通过粗粒化程序在多个时间尺度上扩展SampEn,从而捕捉快慢时间动态中的复杂性。对于每项纳入研究,提取了熵计算中使用的容忍度(r)、嵌入维数(m)和数据长度(N)以及MSE分析中的尺度数。这些参数强烈影响熵值,因此在综合和解释发现时予以考虑。

  **证据来源选择**:数据库检索识别出434条记录,移除311条重复后,123条唯一记录进行标题/摘要筛选。其中101条因不符合纳入标准被排除。22篇全文文章被评估,4篇被排除:2篇未采用基于熵的分析,2篇未包含肌肉骨骼疼痛参与者。最终18项研究符合所有纳入标准,纳入最终综合。

  **研究特征**:18项研究共包括808名参与者,样本量范围从16到86。研究包括428名肌肉骨骼疼痛参与者和380名对照组。大多数研究关注成人,两项明确研究老年人,一项研究青少年。样本通常为混合性别,除女性舞者和男性赛艇运动员外。

  **框架引导的研究特征化**:纳入研究根据任务需求分为三类:静态姿势控制任务(如静态站立或单腿站立)、受控低复杂性运动(如约束关节或平面运动及等长力控制)、以及高复杂性功能任务(如步态、下楼梯、骑行或运动特定动作)。在每类中,熵发现被分类为在肌肉骨骼疼痛中相比对照组更低、更高或无异。姿势控制研究主要报告疼痛组熵降低(5/6)。在功能运动研究中,结果混合:5项报告熵降低,5项报告熵升高,2项混合或无显著发现。

  **熵指标和信号采集的报告实践**:样本熵和近似熵是最常用的熵指标。信号来源包括肌电图(EMG),包括高密度EMG;压力中心(CoP)数据;惯性传感器输出,如线性加速度和角速度;来自运动捕捉系统的三维运动学数据;以及等长收缩期间记录的力信号。熵分析参数的报告不一致:容忍度(r)和嵌入维数(m)在88.9%的研究中报告,而时间序列长度(N)仅在33.3%中报告。因此,只有少数研究提供了可重复熵分析的关键参数完整报告。两项研究应用了独立于常规r、m、N参数集的熵测量,即频谱熵和空间样本熵。尽管有建议推荐多尺度熵(MSE)以捕捉跨尺度的复杂性,但仅一项研究实施了MSE。总体而言,熵分析参数的不完整报告限制了可重复性并阻碍了研究间的直接比较。

  **结果综合**:证据格局高度碎片化且方法学多样。综合围绕三个轴线展开:人群/临床条件、方法学框架和解释方向,以映射异质性和识别空白。人群和临床表现变化广泛,涉及疼痛位置、持续时间和病因。方法学上,信号来源从EMG到运动捕捉或惯性传感器的运动学。尽管有频繁建议,仅一项研究使用多尺度熵。参数透明度常不完整,特别是时间序列长度(N)在样本熵或近似熵研究中常被低估或省略。一些作者将熵增加与生理适应性关联,而另一些则认为熵减少是运动控制受损。混合或模糊的发现进一步强调了需要统一的解释标准。

  **纳入研究的批判性评价**:根据适应后的NOS-xs,18项研究中有6项(33.3%)被评估为低偏倚风险(7-9星),11项(61.1%)为中等风险(4-6星),1项(5.5%)为高风险(0-3星)。高风险研究在样本代表性、样本量合理性和混杂变量控制方面存在局限性。大多数降级源于三个持续弱点:样本代表性不足、样本量合理性不足以及混杂变量控制不足。约50%的研究在样本代表性方面被评估为代表性,但大多数未证明样本量合理性,且很少有效控制混杂变量。

  **熵变化的解释框架**:本范围综述的主要目标是绘制并解释肌肉骨骼疼痛如何影响基于熵指标测量的运动和姿势的生物力学方面。分析综合了18项研究,揭示了姿势控制任务中的一致模式以及功能运动中的更可变结果。发现显示运动和姿势控制的一致改变,通常表现为规律性变化,特别是熵值的变化。这些改变经常反映增加的规律性(熵降低),在生物力学术语中可能表示运动系统适应能力下降。这种模式在姿势控制任务中更常见,也在约一半评估运动任务的研究中出现。这些观察表明在疼痛存在下倾向于更少适应、更刻板的运动行为,可能限制对内外部需求的响应。与引言中概述的概念框架一致,在解释基于熵的结果时,规律性、复杂性和适应性被视为概念上不同且不可互换的构念。同时,一些动态或复杂任务的研究发现疼痛组熵升高,表明在特定需求下,疼痛可能与无序或更嘈杂的运动输出相关。这种差异与疼痛人群步态和跑步任务中熵增加的报道一致,强调了在任务和信号背景下解释熵的重要性。外部文献强化了静态和动态任务之间的概念区别。较低的熵可指示平衡任务中的僵化和有限适应,而熵增加不一定有利,可能指示失调。由于熵是系统复杂性的非线性描述符,其解释是任务和信号依赖的。研究间的明显不一致可能反映信号源、指标选择和参数规格的方法学差异。临床而言,较低的熵在相对简单、稳定的任务中更可能被解释为受限或僵化的控制,而较高的熵在复杂、目标导向的任务中可能反映无序或嘈杂的运动输出,而非健康的适应性。因此,熵值应相对于任务复杂性、信号类型和生理需求进行解释,而非假设在所有背景下统一“好”或“坏”。

  **方法学局限性及其对熵估计的影响**:从质量角度看,大多数纳入研究具有中等至低偏倚风险,但常见缺陷持续存在,包括非代表性样本、样本量合理性不足和混杂控制有限。这些问题影响熵估计的稳定性和泛化性,并可能部分解释研究间不一致的发现。此外,不一致的信号处理(如滤波、分段和试验长度)以及熵参数的可变选择(r、m、N和尺度数)阻碍了研究间的直接比较,使得难以得出汇总估计或临床有意义的阈值。为增强可比性和临床转化,未来研究应前瞻性地证明信号处理选择,透明报告熵参数,并在可能的情况下采用共享任务协议和分析流程。

  **临床转化路径**:基于当前证据,文章设想了一个基于熵指标临床转化的分阶段路径。第一阶段,熵测量主要用作研究工具,表征疼痛相关的运动规律性改变,并评估在各种临床和职业环境中的可行性。第二阶段,应建立跨年龄组和活动水平的规范数据和任务特定参考范围。第三阶段,探索诊断和预后阈值,例如用于分层跌倒风险或识别复发风险较高的运动员。仅在这些步骤完成后,熵才应整合到常规康复决策中,如重返运动或出院标准,并且始终与常规临床评估结合。姿势任务中熵降低常被视为僵化,可能指示运动系统适应能力下降,无法调整以应对扰动。基于熵的结果应用于补充康复中的平衡和运动评估,特别是对于跌倒风险群体或慢性肌肉骨骼问题患者。动态任务中熵增加不必然促进适应性,可能指示运动控制效率更低或更嘈杂,应谨慎解释。熵测量可能有助于运动医学和康复,包括重返运动、损伤预防和个性化康复程序。疼痛运动员的非典型熵谱可能揭示线性生物力学指标忽略的代偿方法。熵分析可帮助临床医生在性能改善前通过识别运动规律性变化追踪恢复轨迹。这些应用是探索性的,但显示了在方法学共识后逐步采用非线性指标的潜力。

  **局限性和未来方向**:本综述未纳入灰色文献,如学位论文、会议论文集、技术报告或非同行评审材料。因此,综合可能过度代表报告更完整或发现更突出的同行评审研究,而低估了无效结果、新兴证据或尚未在索引期刊发表的方法学应用。基于PCC的广泛资格标准是故意使用既定框架定义的,以支持在肌肉骨骼疼痛中基于熵的运动分析这一新兴领域的证据映射。尽管如此,这导致了异质综合,不应被解释为单一连贯的证据体系,而应理解为当前应用、重复模式和方法学空白的范围图。第二个方法学局限性涉及主要研究中熵分析参数的不完整报告。由于关键分析设置(特别是时间序列长度N)报告不一致,个体发现的可重复性和研究间的可比性降低。因此,本综合支持最低报告实践的推荐,而非特定标准化参数值。未来研究应至少报告使用的熵算法、嵌入维数、容忍度值、时间序列长度、滤波程序和信号处理决策。研究中观察到的显著异质性,包括疼痛条件、运动任务、信号源、熵指标、预处理程序和参数选择的差异,排除了定量汇总结果。因此,无法进行荟萃分析,叙事综合被认为是最合适的方法。该领域的未来发展可能由多尺度熵方法、可穿戴传感技术和人工智能的整合推动。多尺度熵是一种有前景的下一代方法,因为肌肉骨骼疼痛可能改变多个时间尺度的运动行为。通过捕捉短期和长期运动动态,多尺度方法可能比传统单尺度熵测量提供更全面的运动复杂性表征。可穿戴惯性传感器可在真实世界环境中实现连续运动行为监测,将熵分析扩展到实验室设置之外。此外,熵衍生特征可纳入机器学习模型,以改善患者分类、预后、治疗反应预测和个性化康复规划。

  本18项研究的范围分析表明,基于熵的指标测量显示肌肉骨骼疼痛影响移动性和姿势。肌肉骨骼疼痛改变运动和姿势,通常导致姿势控制任务中规律性增加和熵降低。在功能任务中,熵变化方向多样,报告了增加和减少。这些发现最好在考虑人群特征、任务需求、临床背景和方法学设计的结构化框架内解释。疼痛条件下的基于熵结果不应孤立解读;需要背景敏感、标准化方法以促进临床转化。未来努力应优先考虑方法学标准化、规范数据集的建立、多尺度方法的更广泛采用以及与可穿戴和人工智能技术的整合,以促进临床转化。


本文由:壹号娱乐 - NG大舞台,有梦你就来提供

搜索

 谷歌地图 百度地图