AbstractBackground: No previous stu

Abstract
Background: No previous studies have created and validated prediction models for outcomes in patients receiving
spinal manipulation for care of chronic low back pain (cLBP). We therefore conducted a secondary analysis
alongside a dose-response, randomized controlled trial of spinal manipulation.
Methods: We investigated dose, pain and disability, sociodemographics, general health, psychosocial measures,
and objective exam findings as potential predictors of pain outcomes utilizing 400 participants from a randomized
controlled trial. Participants received 18 sessions of treatment over 6-weeks and were followed for a year. Spinal
manipulation was performed by a chiropractor at 0, 6, 12, or 18 visits (dose), with a light-massage control at all
remaining visits. Pain intensity was evaluated with the modified von Korff pain scale (0–100). Predictor variables
evaluated came from several domains: condition-specific pain and disability, sociodemographics, general health status,
psychosocial, and objective physical measures. Three-quarters of cases (training-set) were used to develop 4
longitudinal models with forward selection to predict individual “responders” (≥50 % improvement from baseline) and
future pain intensity using either pretreatment characteristics or post-treatment variables collected shortly after
completion of care. The internal validity of the predictor models were then evaluated on the remaining 25 % of cases
(test-set) using area under the receiver operating curve (AUC), R2, and root mean squared error (RMSE).
Results: The pretreatment responder model performed no better than chance in identifying participants who became
responders (AUC = 0.479). Similarly, the pretreatment pain intensity model predicted future pain intensity poorly with
low proportion of variance explained (R2 = .065). The post-treatment predictor models performed better with AUC = 0.665
for the responder model and R2 = 0.261 for the future pain model. Post-treatment pain alone actually predicted future
pain better than the full post-treatment predictor model (R2 = 0.350). The prediction errors (RMSE) were large (19.4 and
17.5 for the pre- and post-treatment predictor models, respectively).
Conclusions: Internal validation of prediction models showed that participant characteristics preceding the start of care
were poor predictors of at least 50 % improvement and the individual’s future pain intensity. Pain collected shortly after
completion of 6 weeks of study intervention predicted future pain the best.
Keywords: Chronic low back pain, Prediction model, Spinal manipulation, Chiropractic, Dose–response, Randomized
controlled trial
*

結果 (繁體中文) 1:

摘要
背景：沒有以前的研究已經建立和驗證預測模型對患者預後接受
脊柱推拿護理的慢性腰背痛（CLBP）。因此，我們進行了二次分析
旁邊的劑量-反應，隨機脊柱推拿的對照試驗。
方法：我們研究了劑量，疼痛和功能障礙，社會人口統計學，一般健康，心理的措施，
而客觀檢查結果作為利用從隨機400人參加的痛苦結局的潛在預測
對照試驗。參加者接受治療的18會話超過6週，並隨訪一年。脊柱
操縱用按摩師在0，6，12，或18次數（劑量）全部執行，具有光控制按摩
剩下的訪問。與修改後的馮科爾夫疼痛量表（0-100）疼痛強度進行了評價。預測變量
條件特有的痛苦和殘疾，社會人口統計學，一般健康狀況，：評估多個域的來到
心理和客觀實際措施。例（訓練集）的四分之三用於開發4
與正向選擇來預測個人“反應者”（從基線≥50％的改善）和縱向模式
使用任何預處理特性或後處理變量未來的疼痛強度後不久收集
護理完畢。預測模型的內部有效性然後案件的其餘25％評價
（測試組）的接受者操作曲線（AUC），R2下，使用區域，和均方根誤差（RMSE）。
結果：預處理響應模型確定參加誰成為表現並不比偶然性，
應答（AUC = 0.479）。類似地，所述預處理疼痛強度模型預測的未來疼痛強度差與
方差的低比例的說明（R2 = 0.065）。治療後的預測模型與AUC = 0.665表現較好
的應答模式和R2 = 0.261未來的疼痛模型。治療後疼痛獨自實際上預計未來
的痛苦比全處理後的預測模型（R2 = 0.350）更好。預測誤差（RMSE）（19.4很大，
分別為17.5預處理和後處理的預測模型）。
結論：預測模型的內部驗證表明，護理開始前參加特性
至少有50％的改善和個人前途疼痛強度差的預測。不久之後收集疼痛
6週研究干預措施的完成預計未來疼痛最好的。
關鍵詞：慢性腰痛，預測模型，脊柱推拿，捏脊，劑量反應，隨機
對照試驗
*

結果 (繁體中文) 2:

抽象
背景：以前沒有研究為接受的患者發現和驗證預測模型
脊柱操作治療慢性腰痛（cLBP）。因此，我們進行了二次分析
以及劑量反應，隨機對照試驗的脊柱操縱。
方法：我們調查了劑量，疼痛和殘疾，社會人口，一般健康，社會心理措施，
和客觀的考試結果作為疼痛結果的潛在預測者，利用隨機的400名參與者
受控審判。參與者在6周內接受了18次治療，並跟蹤一年。脊柱
操作由脊醫在0、6、12或18次訪問（劑量）時進行，具有光按摩控制
剩餘訪問。使用經過修改的 von Korff 疼痛量表 （0+100） 評估疼痛強度。預測變數
評估來自幾個領域：特定條件疼痛和殘疾，社會人口，一般健康情況，
社會心理和客觀的身體測量。四分之三的案例（培訓套）用於開發4
縱向模型，具有向前選擇，用於預測單個"回應者"（比基線提高約 50%）和
使用預處理特性或治療後變數收集後疼痛強度
完成護理。然後對其餘 25% 的案例對預測變數模型的內部有效性進行評估
（測試集）使用接收器工作曲線 （AUC）、R2 和根均方誤差 （RMSE） 下的面積。
結果：預處理應答器模型在識別成為
回應器（AUC = 0.479）。同樣，預處理疼痛強度模型預測未來疼痛強度不佳
解釋的方差比例低（R2 = .065）。使用 AUC = 0.665 時，後處理預測變數模型表現更好
回應器模型和 R2 = 0.261 的未來疼痛模型。治療後疼痛本身實際上預測了未來
疼痛優於完整的治療後預測變數模型（R2 = 0.350）。預測誤差 （RMSE） 很大（19.4 和
17.5 分別用於前處理和後處理預測變數模型）。
結論：預測模型內部驗證顯示，護理開始前的參與者特徵
是預測能力差的，至少改善50%，以及個人未來的疼痛強度。疼痛收集後不久
完成6周的研究干預預測未來疼痛最好。
關鍵字：慢性腰痛，預測模型，脊柱操作，脊柱手術，劑量反應，隨機
受控試驗
*

結果 (繁體中文) 3:

摘要
背景：以前沒有研究建立並驗證接受治療的患者的預後預測模型。
脊柱手法治療慢性腰痛（clbp）。囙此，我們進行了二次分析
同時進行脊髓操作的劑量反應、隨機對照試驗。
方法：我們調查了劑量、疼痛和殘疾、社會人口統計學、一般健康、社會心理測量，
利用隨機抽取的400名受試者的客觀檢查結果作為疼痛結局的潜在預測因數
對照試驗。參與者在6周內接受了18次治療，並隨訪一年。脊柱的
推拿是由按摩師在0、6、12或18次（劑量）的治療中完成的，並有輕微的按摩控制。
剩餘的訪問。採用改良的von korff疼痛量表（0-100）評估疼痛强度。預測變數
評估來自幾個領域：特定條件的疼痛和殘疾、社會人口統計學、一般健康狀況，
心理社會和客觀的身體量測。四分之三的案例（訓練集）被用於開發4個
預測個體“應答者”的正向選擇縱向模型（比基線改善≥50%）和
使用治療前特徵或治療後不久收集的變數預測未來疼痛强度
完成護理。然後對剩下的25%的病例評估預測模型的內部有效性。
（測試集）使用接收器工作曲線下的面積（AUC）、R2和均方根誤差（RMSE）。
結果：預處理反應者模型在識別出
應答者（AUC=0.479）。同樣，預處理疼痛强度模型預測未來的疼痛强度很差
解釋的方差比例低（r2=0.065）。治療後預測模型在AUC=0.665時表現更好
對於反應者模型和r2=0.261對於未來疼痛模型。僅僅治療後疼痛就可以預測未來
疼痛優於治療後完全預測模型（r2=0.350）。預測誤差（rmse）較大（19.4和
治療前和治療後預測模型分別為17.5）。
結論：預測模型的內部驗證表明，在開始護理之前，參與者的特徵
對至少50%的改善和個人未來的疼痛强度的預測很差。不久後疼痛就恢復了
完成6周的研究干預預測未來疼痛最好。
關鍵字：慢性腰痛，預測模型，脊柱手法，脊椎按摩，劑量-反應，隨機
對照試驗
*