脳卒中患者における歩行時間測定テスト（Timed Up and Go test）データから派生した機械学習ベースの計装化転倒リスク評価スケール（IFRA）

科学分野:

• 生物医学工学
• リハビリテーション科学
• ヘルスケアにおける機械学習

背景:

• 転倒は脳卒中生存者にとって重大な健康問題であり、リスク評価の向上が必要です。
• 従来の転倒リスク評価スケールでは、重要な移動測定値を見逃す可能性があります。
• 計装化転倒リスク評価（IFRA）スケールは、これらの限界に対処するために提案されています。

研究 の 目的:

• 新規計装化転倒リスク評価（IFRA）スケールの開発と検証。
• 計装化歩行時間測定テスト（ITUG）データを用いた機械学習による転倒リスク層別化。
• IFRAの性能を従来の臨床的転倒リスク評価ツールと比較すること。

主な方法:

• IFRAスケールを開発するために、2段階の機械学習アプローチが使用されました。
• 予測的な移動特徴量がITUGデータ（加速度、角速度）から特定されました。
• IFRAの性能は、142人の参加者において標準的なTUGおよびMini-BESTestと比較評価されました。

主要な成果:

• 機械学習により、主要な予測因子として垂直/medio-lateral加速度および角速度が特定されました。
• IFRAは転倒状態と有意な関連を示しました（p = 0.004）。
• IFRAは、実際の転倒者のうちより多くの患者を高リスクと特定することにより、比較対象のスケールを上回りました。

結論:

• IFRAスケールは、脳卒中後の患者における転倒リスク層別化のための自動化ツールとして可能性を示しています。
• IFRAは、転倒リスクの高い個人を特定する上で有望な能力を示しています。
• 臨床実装の前に、より大規模なコホートでのさらなる検証が必要です。