使用可穿戴传感器和机器学习在脑内出血患者中检测 Delirium

科学领域:

• 神经学 神经学
• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能

背景情况:

• 痴呆症是中风患者常见的并发症,与较差的结果有关.
• 现有的妄想查工具在精确检测中风患者时面临挑战.
• 早期和准确的 Delirium 检测对于及时干预和改善患者管理至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于检测中风后妄想.
• 评估可穿戴活动监测器 (动态图) 与临床数据相结合用于 Delirium 检测的实用性.
• 为了提高神经临床护理和中风单位 Delirium 检测的准确性.

主要方法:

• 一项前性观察队列研究,涉及39名急性脑内出血和半的患者.
• 神经学家每天对神经错觉进行评估,并使用手腕穿戴的动态图仪收集持续活动数据.
• 使用单独临床数据与与动图数据相结合的ML模型 (随机森林,SVM,XGBoost) 的比较.

主要成果:

• 85%的患者至少经历过一次妄想发作;71%的监测日涉及妄想.
• 仅仅从临床信息来看,每日妄检测的准确性很低 (62%的准确性,50%的F1得分).
• 整合动图数据显著提高了预测性能 (74%准确率,65%F1得分;p < 0.001),夜间数据尤其重要.

结论:

• 当与ML模型一起使用时,动图学数据可以增强中风患者的痴呆症临床检测.
• 这种整合提供了一个有前途的途径,使动图辅助的妄想预测在临床上可行.
• 这些发现支持使用可穿戴技术来改善中风患者痴呆症的监测和管理.