基于外科手术患者的行为模式进行的外科手术侵入性的定量评估的新指数:使用三轴加速的机器学习方法
Kozo Nakanishi1, Hidenori Goto1
1Department of General Thoracic Surgery, National Hospital Organization Saitama Hospital, Wako Saitama, Japan.
JMIR perioperative medicine
|November 14, 2023
概括
机器学习使用加速数据准确预测患者的行为,创建了一种新的行为模式指数 (iBP) 来量化外科手术的侵入性和外科期间的恢复. 这种方法为评估微创手术后的康复提供了一种新的方法.
科学领域:
- 医学技术 医学技术 医学技术
- 机器学习在医疗保健中的应用
- 手术方面的创新.
背景情况:
- 由于缺乏可靠的评估方法,评估手术侵入性和胸腔镜手术后患者康复是具有挑战性的.
- 假设患者的康复与外科手术的侵入性相关,通过在外科手术期间的行为变化来定义.
研究的目的:
- 评估机器学习算法的有效性,利用三轴加速数据来捕获外科手术期间的行为变化.
- 建立一个定量指数,以评估基于患者行为的外科创伤性变化.
主要方法:
- 通过使用公开的人类加速数据集,训练并选择高性能机器学习模型 (例如光梯度增强).
- 收集了来自两名接受不同程度胸腔镜手术的患者的胸部传感器加速数据.
- 根据日常行动概率 (走路,站立,坐着,躺着) 开发了一种2D行为模式指数 (iBP),并分析iBP变化与外科手术侵入性相关.
主要成果:
- 一个光梯度增强模型在预测患者行为方面实现了高精度 (0.98).
- 在患者之间观察到行为模式指数 (iBP) 的显著差异,对于更具侵入性的手术 (肺叶切除术) 则有更大的封闭区域和距离.
- 该研究发现患者之间的行为指数在统计学上有显著差异 (P=.03),与外科手术的侵入性相关.
结论:
- 机器学习从加速数据准确地预测患者的行为,提供对外科手术期间行为的洞察力.
- 开发的行为模式指数 (iBP) 有效地可视化和量化外科手术期间的变化和外科手术侵入性的差异.
- 这种方法有可能改善患者康复的评估和手术程序的比较.
