将机器学习应用于消费者可穿戴数据,以早期检测儿科尾切除术后的并发症
Hassan M K Ghomrawi1,2,3,4,5, Megan K O'Brien6, Michela Carter1,7
1Department of Surgery, Northwestern University Feinberg School of Medicine, Chicago, IL, USA.
NPJ digital medicine
|August 16, 2023
概括
像Fitbit这样的消费者可穿戴设备可以帮助检测手术后儿童的异常恢复. 使用Fitbit数据的机器学习模型准确地识别了小儿尾切除术患者并发症的早期迹象.
科学领域:
- 儿科手术 儿科手术
- 数字健康数字健康
- 医疗保健中的机器学习
背景情况:
- 对儿童的术后监测通常依赖于主观的护理人员评估.
- 在家里缺乏客观的工具可能会导致护理延迟或不必要的紧急访问.
- 消费者可穿戴设备为客观,持续的监控提供了一个潜在的解决方案.
研究的目的:
- 评估Fitbit在尾切除术后儿童中检测异常恢复的能力.
- 评估可穿戴设备数据对于早期发现并发症的有用性.
- 开发机器学习模型,用于预测术后不良事件.
主要方法:
- 在尾切除术后的21天里,有162名儿童 (年龄在3-17岁) 佩戴Fitbit设备.
- 数据包括身体活动,心率和睡眠模式.
- 机器学习模型经过训练,使用Fitbit数据和临床特征来检测异常恢复.
主要成果:
- 模型准确地检测到83%的复杂尾炎异常恢复日.
- 模型检测到70%的异常恢复天在简单的尾炎.
- 在报告症状/并发症前两天就能及早发现异常恢复.
结论:
- 消费者可穿戴设备和机器学习对监测儿科外科康复有希望.
- 这种方法可以促进早期发现并发症,改善患者的治疗结果.
- 进一步开发可以提高儿科手术患者的术后护理.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
