导 语
足部疼痛会导致人们平衡和步态出现问题，并增加跌倒的风险。矫形鞋垫是缓解足部疼痛的重要手段，并已广泛应用于临床实践。最近，一组韩国的研究人员使用深度学习算法成功制作了有较高精度的矫形鞋垫。
1、研究背景
足部疼痛在成年人中很常见，尤其是老年人。据报道，足部疼痛在18岁以上成人中的患病率为17%至24% 。它会导致日常生活活动能力下降，平衡和步态出现问题，并增加跌倒的风险。因此，足部疼痛的适当治疗是重要的。
目前常见的各种治疗方法，如口服药物、物理治疗等等没有长期解决足部疼痛的问题。足部疼痛的发展与足部排列的改变有关，这导致足部负荷分布异常。矫形鞋垫经常被用来矫正改变的足部排列。矫形鞋垫对足部疼痛患者的有效性已在之前的研究中得到证实，并已广泛应用于足部疼痛治疗的临床实践中。
但制作一双好的矫形鞋垫需要考虑各种因素，如足部排列、骨盆运动和腿长差异等等，这需要医师积累大量的经验。对于没有经验的临床医生来说，综合考虑与足部排列改变相关的各种因素是困难的。因此研究人员提出，使用深度学习算法，通过使用几个测量结果作为输入数据，自动为脚痛患者开具矫形鞋垫。
2、研究概述
用于开发机器学习算法的数据是从鞋垫制造商获得的。鞋垫是在包括写有体检结果，包括静态跟骨站立位(RCSP)等信息的鞋垫处方纸的基础上制作的。处方文件是由一位超过25年的经验的矫形足科医生(ISP)撰写的。数据集的入选标准为：(1)年龄≥ 20岁，(2)鞋垫是为控制足部疼痛而开的，(3)无神经障碍的患者，(4)无糖尿病足溃疡的患者，以及(5)存在鞋垫处方纸，包含所有关于RCSP、骨盆升高、骨盆倾斜和骨盆旋转的信息。
为了测量RCSP，脚痛患者被要求将他们的脚放在床沿上，并以俯卧姿势躺在与地面平行的床上。研究人员手动检查足部，并通过在脚后跟的顶部、中部和底部放置三个点来绘制平分线，而不考虑跟骨周围的脂肪。当患者站在拳头宽度的距离时，测量RCSP（下图A,B）。
骨盆抬高表示左右髂嵴之间的高度差。它是用测角仪测量的，病人站在拳头宽的距离上。角度计的左右刀片放置在髂嵴的最高点，测量骨盆的高度(下图C)。当一个髂嵴相对于另一侧的髂嵴升高时，该值表示为正值，较大的值表示左右骨盆的高度差异较大。为了评估骨盆倾斜的存在，研究者将拇指放在髂后上棘上(PSIS)，其余手指放在患者的髂嵴上(下图D)。然后，研究人员要求患者将下背部向前弯曲90度，并评估研究人员拇指向前倾斜程度的差异(图1E)。当两个PSIS的倾斜度对称时，表示为“-”，当左PSIS的倾斜度大于左PSIS的倾斜度时，表示为“+”。
为了测量骨盆旋转，研究者将角度计连接到患者的骨盆上，要求患者原地行走，并观察角度计的运动(图1F)。研究者评估了角度计左右两翼向后运动的程度是否对称。当附着在患者PSIS上的角度计对称地向后移动时，被描述为“--”，当左侧向后移动多于右侧时，被描述为“+-”
数据采集（图片源自论文）
将改良的足部姿势指数以及足跟提升、整体提升、外侧楔形、内侧楔形和跗骨踵处支撑的应用设置为目标变量。
目标数据（图片源自论文）
实验总共有838名患者(平均年龄为47.7±14.7岁；323名男性，515名女性)参加。关于改良的足部姿势指数，对于左脚，开发模型的验证数据集的平均绝对误差(MAE)和均方根误差(RMSE)分别为1.408和3.365。对于右脚，开发模型的验证数据集的MAE和RMSE分别为1.601和3.549(下表)。
研究结果（图片源自论文）
结果显示，脚跟提升的准确性为89.7%。整体提升的准确性为94.8%。外侧楔形支撑的准确性为72.2%。内侧楔形支撑的准确性为98.4%。跗骨踵处支撑的准确性为79.8%。分别对应下图A~E。
研究结果（图片源自论文）
下图显示了DNN模型的正确分类和错误分类。从验证数据集中，足后跟提升和整体提升的应用模型分别正确地分类了252个案例中的226个和239个。内侧和外侧楔形支撑的模型从验证数据集中分别正确分类了252例中的182例和248例。最后，跗骨踵处支撑的模型从验证数据集中正确地分类了252例中的201例。可以得出结论，五种模型的总体分类精度较好。然而，内侧楔形模型(下图D)的准确性较低，因为这些类别的验证数据中的患者样本量较小，导致学习不充分。
研究结果（图片源自论文）
3、研究意义
这项研究的局限性在于用于开发深度学习模型的临床数据样本量小，这无法避免一些误差的存在。但总的来说，研究人员开发了DNN模型，自动为足痛患者开矫正鞋垫，并且证明了其精度的可靠性。未来，为了使其精度更高，需要更适当的输入和输出数据，并将其在临床上加以验证。
