用跨文化样本验证基于机器学习的中风影响量表
Shih-Chieh Lee1, Chia-Yeh Chou2, Po-Ting Chen3
1Shih-Chieh Lee, PhD, is Assistant Professor, School of Occupational Therapy, College of Medicine, National Taiwan University, Taipei, Taiwan, and Occupational Therapist, Department of Psychiatry, National Taiwan University Hospital, Taipei, Taiwan.
概括
基于机器学习的中风影响量表 (ML-SIS) 与原来的中风影响量表-第三版 (SIS 3.0) 提供了可比的分数和可靠性,除了情绪领域. 这使得ML-SIS成为有效评估中风的宝贵工具.
科学领域:
- 神经科学是一个神经科学.
- 康复医学 康复医学 康复医学
- 医疗信息学 医疗信息学
背景情况:
- 脑卒中影响量表-第三版 (SIS 3.0) 是一项全面的脑卒中恢复指标.
- 为了提高效率,开发了一个基于机器学习的28项版本 (ML-SIS).
- ML-SIS需要在一个独立的样本中进行验证.
研究的目的:
- 在一个独立的中风幸存者队列中,对ML-SIS与原来的SIS 3.0进行交叉验证.
- 评估ML-SIS的测试重试可靠性.
- 为了确定ML-SIS和SIS 3.0.0之间的域名分数的可比性.
主要方法:
- 这项研究涉及来自台湾五家医院的263名中风患者.
- 使用R平方,平均绝对误差和RMSE.来评估可比性.
- 使用类内相关系数 (ICC) 评估了测试重复测试的可靠性,144名参与者在2周后完成了第二次评估.
主要成果:
- 高R平方值 (0.87-0.95) 和低误差指标表明大多数域具有强大的可比性.
- 情感领域的可比性较低 (R平方=0.08).
- 测试重复测试可靠性 (ICC值0.39-0.87) 在ML-SIS和SIS 3.0 (0.46-0.87) 之间是相似的.
结论:
- ML-SIS 显示出强大的可比性和可靠性与SIS 3.0 相比,使其成为中风评估的可行替代方案.
- ML-SIS可以减少患者和医疗保健专业人员在例行评估期间的负担.
- 情感领域需要进一步调查ML-SIS的应用.
