online screening tool

This cross-sectional study aimed to develop and preliminarily validate a machine learning model for preliminary forward head posture (FHP) screening and deploy the final model as an online tool. Among 825 university students, 625 comprised the development dataset (training set, n = 437; test set, n = 188), and 200 the exploratory external validation dataset. FHP was defined as a craniovertebral angle < 50°. Six machine learning models were compared through nested cross-validation. Restricted cubic splines and Shapley additive explanations analysis were used for exploratory association analysis and model interpretation, respectively. Random forest (RF) achieved the highest sensitivity in nested cross-validation (0.748, 95% CI 0.661–0.825) and was therefore selected as the final model based on the prespecified priority of reducing missed cases. In the external validation, RF achieved an AUC of 0.827 (0.751–0.896), sensitivity of 0.745 (0.615–0.865), specificity of 0.784 (0.715–0.845), and Brier score of 0.125 (0.097–0.154). Body mass index contributed most to model output and showed a significant nonlinear association with FHP (adjusted p = 0.017). The model showed moderate-to-good discrimination for FHP among university students and may offer a relatively accessible approach to preliminary FHP screening.

این مطالعه مقطعی با هدف توسعه و اعتبارسنجی اولیه یک مدل یادگیری ماشین برای غربالگری اولیه وضعیت سر به جلو (FHP) و پیاده‌سازی مدل نهایی به عنوان یک ابزار آنلاین انجام شد. از میان ۸۲۵ دانشجوی دانشگاه، ۶۲۵ نفر مجموعه داده توسعه (مجموعه آموزش، n = ۴۳۷؛ مجموعه آزمون، n = ۱۸۸) و ۲۰۰ نفر مجموعه داده اعتبارسنجی اکتشافی خارجی را تشکیل دادند. FHP به عنوان زاویه کرانیوورتبرال کمتر از ۵۰ درجه تعریف شد. شش مدل یادگیری ماشین از طریق اعتبارسنجی متقاطع تو در تو مقایسه شدند. برای تحلیل اکتشافی ارتباط و تفسیر مدل به ترتیب از اسپلاین‌های مکعبی محدود و تحلیل توضیحات افزایشی Shapley استفاده شد. مدل جنگل تصادفی (RF) بالاترین حساسیت را در اعتبارسنجی متقاطع تو در تو (۰.۷۴۸، ۹۵٪ CI: ۰.۶۶۱–۰.۸۲۵) به دست آورد و بر اساس اولویت از پیش تعیین‌شده برای کاهش موارد از دست رفته به عنوان مدل نهایی انتخاب شد. در اعتبارسنجی خارجی، RF به AUC برابر با ۰.۸۲۷ (۰.۷۵۱–۰.۸۹۶)، حساسیت ۰.۷۴۵ (۰.۶۱۵–۰.۸۶۵)، ویژگی ۰.۷۸۴ (۰.۷۱۵–۰.۸۴۵) و امتیاز Brier معادل ۰.۱۲۵ (۰.۰۹۷–۰.۱۵۴) دست یافت. شاخص توده بدنی بیشترین سهم را در خروجی مدل داشت و ارتباط غیرخطی معناداری با FHP نشان داد (p تعدیل‌شده = ۰.۰۱۷). مدل مذکور تمایز متوسط تا خوبی را برای FHP در میان دانشجویان دانشگاه نشان داد و ممکن است رویکردی نسبتاً در دسترس برای غربالگری اولیه FHP ارائه دهد.