相关实验视频
Updated: Jul 12, 2025
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.8K
通过移动传感持续评估功能和残疾:现实世界数据驱动可行性研究
Emese Sükei1, Lorena Romero-Medrano1,2, Santiago de Leon-Martinez1,3,4
1Department of Signal Theory and Communications, Universidad Carlos III de Madrid, Leganés, Spain.
JMIR formative research
|October 30, 2023
概括
这项研究表明,机器学习模型可以使用移动传感器数据预测功能限制. 这种方法提供了一种可行和可解释的方法来评估临床门诊患者的残疾.
科学领域:
- 数字健康数字健康
- 机器学习 机器学习
- 生物医学信息学 生物医学信息学
背景情况:
- 功能限制会影响临床结果,死亡率和残疾,特别是在老年人中.
- 传统的功能评估是耗时的,在临床实践中很少使用.
- 移动传感为每天评估患者功能和残疾提供了一个机会.
研究的目的:
- 评估可解释机器学习管道的可行性.
- 用世界卫生组织残疾评估表 (WHODAS) 2.0结果来预测功能和残疾.
- 利用从临床门诊患者被动收集的数字生物标志物.
主要方法:
- 收集了一个月的身体和数字活动行为时间序列数据.
- 用统计措施将数据总结成64个特征.
- 应用了对每个WHODAS 2.0域的顺序特征选择,并使用线性回归进行预测.
主要成果:
- 机器学习模型在六个WHODAS 2.0领域实现了平均平均绝对百分比误差19.5%.
- 预测准确度因领域而异,自我护理领域表现最好 (14.86%的误差),生活活动最差 (27.21%的误差).
- 关键的预测特征包括行驶距离,在家的时间,步行时间,运动时间和车辆时间.
结论:
- 机器学习方法可以有效地使用被动收集的移动数据来评估功能健康.
- 特征选择产生可解释的特征,增强模型可解释性,用于临床应用.
- 这种方法为传统的,耗时的功能评估提供了一个可行的替代方案.
