在尿失禁和性功能障碍的情况下,使用机器学习预测女性的骨盆倾斜和腰椎角度

科学领域:

• 生物力学和机器学习在妇女健康中的作用

背景情况:

• 尿失禁 (UI) 是一种常见的疾病,与骨盆底功能障碍 (PFD) 和腰骨对齐的改变有关.
• 评估骨盆倾斜和腰椎角度对于理解PFD至关重要,但传统的手动方法耗时且可变.
• 目前对PFD的物理疗法康复经常忽略了骨盆底肌 (PFM) 以外的核心肌肉参与.

研究的目的:

• 开发和评估机器学习模型,用于预测患有PFD的多发性女性的骨盆倾斜和腰椎角度.
• 探索机器学习在评估与PFD相关的核心肌肉活动中的实用性,超越超声波成像.

主要方法:

• 利用决策树,SVM,随机森林和AdaBoost算法来预测骨盆倾斜和腰椎角度.
• 在数据集上训练模型,并在单独的测试集上使用MSE,RMSE,MAE和R2等指标评估性能.

主要成果:

• 机器学习模型在预测骨盆倾斜方面表现出很高的准确性 (R2>0.9,最好使用AdaBoost,R2=0.944).
• 还可以准确预测腰部角,决策树模型显示最高的R2为0.976.

结论:

• 机器学习提供了一种有希望的,客观的,高效的方法来评估患有PFD的女性的骨盆倾斜和腰部角度.
• 这些预测模型有可能提高PFD的评估和管理,改善康复策略.