使用基于机器学习的算法来识别和量化临床实践中的运动限制:我们还在那里吗?
Fabian Schwendinger1, Ann-Kathrin Biehler, Monika Nagy-Huber2
1Division of Sports and Exercise Medicine, Department of Sport, Exercise and Health, University of Basel, Basel, SWITZERLAND.
Medicine and science in sports and exercise
|September 13, 2023
概括
机器学习算法可以从心肺运动测试 (CPET) 中准确地分类运动限制,匹配专家的表现. 这项技术可能有助于临床决策和标准化CPET解释.
科学领域:
- 心肺血管生理学 心肺血管生理学
- 医学中的人工智能
- 临床决策支持 临床决策支持
背景情况:
- 解释心肺运动测试 (CPET) 需要专门的工作人员.
- 机器学习 (ML) 提供了自动化CPET解释的潜力.
研究的目的:
- 评估ML算法在分类运动限制及其严重性的准确性.
- 在临床环境中将ML算法性能与专家共识进行比较.
主要方法:
- 对来自40岁以上患者的200个CPET历史数据集的分析.
- 独立专家使用视觉模拟尺度对限制 (肺血管,机械呼吸,心脏循环,肌肉) 的评级.
- 决策树和随机森林用于数据分析的应用.
主要成果:
- 随机森林确定了特定限制的关键参数 (例如,肺血管的通风效率).
- 决策树的准确性与专家评级相当.
- 开发了一个结合的决策树来量化多个系统的限制.
结论:
- ML算法在促进CPET解释和识别运动限制方面表现有前途.
- 这些发现支持临床决策和标准化CPET评级工具的开发.
