慢性中风患者运动功能的机器学习预测:系统性审查和元分析
Qinglin Li1, Lei Chi2, Weiying Zhao1
1Second Clinical Medical School, Heilongjiang University of Chinese Medicine, Harbin, Heilongjiang, China.
Frontiers in neurology
|June 30, 2023
概括
机器学习 (ML) 模型显示出强大的预测能力,用于中风后的运动功能恢复. 放射学增强的ML模型进一步提高了预测准确性,为中风患者指导未来的临床工具.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 机器学习 (ML) 在处理复杂的非线性数据方面显示出巨大的潜力,以提高预测的准确性和效率.
- 预测中风恢复对于患者管理和康复规划至关重要.
研究的目的:
- 系统地审查和分析使用ML模型预测中风后3-6个月运动功能的研究.
- 评估ML模型的预测性能,包括包含放射学模型的模型.
主要方法:
- 在主要数据库 (PubMed,Embase,Cochrane,Web of Science) 进行了系统的文献搜索,直到2023年4月.
- 预测模型风险偏差评估工具 (PROBAST) 用于质量评估.
- 使用R4.2.0.0进行了一种随机效应模型元分析.
主要成果:
- 包括44项涉及72,368名患者和136名模型的研究.
- 总体C-统计是0.81 (培训) 和0.82 (验证).
- 预测修改兰金尺度>2的模型实现了0.81 (培训) 和0.84 (验证) 的C统计;基于放射学的模型显示了0.81 (培训) 和0.87 (验证) 的C统计.
结论:
- ML作为一个有价值的工具来预测中风后的运动功能在3-6个月.
- 结合放射学的ML模型显示出强大的预测性能.
- 这些发现为优化ML预测系统对中风运动结果的优化提供了指导.
更多相关视频
08:01Compensatory Limb Use and Behavioral Assessment of Motor Skill Learning Following Sensorimotor Cortex Injury in a Mouse Model of Ischemic Stroke
Published on: July 10, 2014
11.5K
08:58Use of a Foot-Induced Digitally Controlled Resistance Device for Functional Magnetic Resonance Imaging Evaluation in Patients with Foot Paresis
Published on: July 7, 2023
333