根据治疗前步行特征识别治疗不响应者 - - 一种机器学习方法
Rosa M S Visscher1,2, Julia Murer1, Fatemeh Fahimi1,3
1Laboratory for Movement Biomechanics, Institute for Biomechanics, Department of Health Science & Technology, ETH Zürich, Zürich, Switzerland.
Heliyon
|November 1, 2023
概括
机器学习准确地识别了运动障碍的儿童,不太可能对标准治疗做出反应. 这有助于个性化干预,以获得儿童脑护理中更好的结果.
科学领域:
- 生物医学工程 生物医学工程
- 临床生物力学 临床生物力学
- 机器学习在医学中的应用
背景情况:
- 儿童运动障碍,如脑,往往会影响行走.
- 目前的步态分析指导治疗,但并非所有患者都受益.
- 预测不响应者治疗前可以个性化干预措施.
研究的目的:
- 评估机器学习是否可以识别有负面治疗结果风险的患者.
- 为了利用治疗前的步态和人体测量数据进行预测.
- 改善儿童运动障碍的个性化干预策略.
主要方法:
- 对119名运动障碍患者的回顾性分析.
- 提取了治疗前和治疗后的步态 (手足关节角度,时空参数) 和人体数据.
- 训练了一个支持向量机分类器,具有5倍交叉验证和贝叶斯优化.
主要成果:
- 在识别不响应者方面,平均准确度达到88.2%.
- 证明了64%的真负率.
- 获得了88%的曲线下的面积 (AUC).
结论:
- 一个机器学习模型有效地识别了患有治疗不响应风险的患者.
- 治疗前的步态和人体测量数据是有价值的预测因素.
- 模型输出可以作为对个性化干预需求的警告.
