开发一种基于机器学习的模型,用于预测老年人中定时升级和移动测试的发展
Moritz Kraus1, Ulla Cordula Stumpf1, Alexander Martin Keppler1
1Department of Orthopedics and Trauma Surgery, Musculoskeletal University Center Munich, University Hospital of Ludwig-Maximilians-University (LMU), 81377 Munich, Germany.
Geriatrics (Basel, Switzerland)
|October 27, 2023
概括
机器学习模型现在可以在不使用移动数据的情况下预测老年患者的定时启动 (TUG) 测试时间. 这提供了一种客观的方式来评估身体脆弱性,并识别在骨质老年护理中处于危险状态的个体.
科学领域:
- 老年医学 老年医学
- 整形外科 整形外科 整形外科
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 在老年骨科患者中评估身体虚弱是具有挑战性的,因为主观,不可靠和耗时的方法.
- 现有的方法通常依赖于移动数据,限制其适用于固定或受伤的个人.
- 需要客观的,多因素的评估工具,用于体力能力在orthogeriatrics.
研究的目的:
- 开发和验证客观,多因素机器学习模型,用于预测定时启动 (TUG) 测试时间.
- 创建不依赖患者移动数据的模型.
- 评估这些模型在直立老年患者中的预测准确性.
主要方法:
- 在模型开发中使用了67个非移动性参数.
- 采用了六个特征选择算法来进行参数优化.
- 训练了四个机器学习算法:通用线性模型,支持向量机,随机森林和极端梯度提升.
主要成果:
- 随机森林算法在预测TUG测试时间方面取得了最高的准确性,平均绝对误差为2.7秒.
- 变量选择方法对表现最好的模型的准确性影响最小.
- 所有模型都显示出倾向于高估较快患者的TUG时间,低估较慢患者的时间.
结论:
- 机器学习模型可以在没有移动数据的情况下有效预测TUG测试时间,证明可行性.
- 这种方法可以客观地和自动地识别患有脆弱风险的患者.
- 这些模型提供了一个有价值的工具,用于评估固定骨老年患者的身体能力,帮助护理和治疗规划.
