概括
一个新的AI框架,COnfidence-Based chaRacterization of Anomalies (COBRA) 评分,准确评估患者的损伤和疾病严重程度. 根据健康数据进行训练,COBRA量化了人工智能模型信心的偏差,以实现更快,更容易获得的临床评估.
科学领域:
- 人工智能的人工智能
- 医疗数据分析 医学数据分析
- 生物医学工程 生物医学工程
背景情况:
- 自动评估损伤和疾病严重程度对于数据驱动医学至关重要.
- 目前的临床评估可能耗时和资源密集,限制了患者监测频率.
- 需要客观,快速和可扩展的方法来量化疾病的进展.
研究的目的:
- 引入一种新的AI框架,即 COnfidence-Based chaRacterization of Anomalies (COBRA) 评分,用于自动评估损伤和疾病严重程度.
- 为了证明COBRA得分在量化中风患者上肢损伤方面的有效性.
- 为了验证COBRA得分对其他疾病 (如膝关节骨关节炎) 的概括性.
主要方法:
- 开发了一个人工智能框架,只在健康个体上训练模型.
- 通过测量人工智能模型信心的下降来量化患者与健康人群的偏差.
- 将COBRA评分应用于用于中风患者的可穿戴传感器和视频数据,以及用于骨关节炎患者的MRI扫描的数据.
主要成果:
- 在使用可穿戴传感器 (ρ = 0.845) 和视频 (ρ = 0.746) 的中风患者中,COBRA评分与黄金标准的Fugl-Meyer评估 (FMA) 对上肢损伤有很强的相关性.
- 科布拉评分与MRI扫描中的膝关节骨关节炎严重程度临床评估有显著的相关性 (ρ = 0.644).
- 科布拉评分在不到一分钟的时间内自动计算,比传统评估快得多.
结论:
- 科布拉评分提供了一种快速,自动化和可靠的方法来评估损伤和疾病严重程度.
- 这种人工智能驱动的方法有可能增强患者监测,并促进适应性康复方案.
- 在不同的条件和数据模式中,COBRA评分的概括性突显了其广泛的临床适用性.
