慢性脚不稳定的分类使用基于脚动力学的机器学习技术,在送货工人的脚上升期间
Ui-Jae Hwang1, Oh-Yun Kwon2, Jun-Hee Kim1
1Department of Physical Therapy, College of Health Science, Laboratory of KEMA AI Research (KAIR), Yonsei University, Wonju, South Korea.
Digital health
|February 29, 2024
概括
机器学习模型准确地使用部上升运动将递送工人与慢性脚不稳定 (CAI) 进行分类. 关键预测因素包括年龄,工作时间,以及在升时特定的脚位置.
科学领域:
- 生物力学 生物力学
- 运动医学 运动医学
- 机器学习 机器学习
背景情况:
- 在分娩工作者中,关节受伤很常见,往往导致慢性关节不稳定 (CAI).
- 经常出现的脚扭伤与CAI有关,影响工人的流动性和安全性.
- 脚跟上升运动模仿了行走的关键阶段,涉及脚和特定的关节机制.
研究的目的:
- 开发和比较机器学习模型来分类有或没有CAI的配送工人.
- 为了确定CAI在部上升运动期间的关键动力学预测因素.
- 评估各种统计学习算法的预测性能.
主要方法:
- 203名配送工人接受了查,收集了关于年龄,工作时间,BMI和脚运动 (CSPA,CMHR,PFA) 的数据.
- 训练了六个机器学习算法:逻辑回归,决策树,AdaBoost,XGBoost,随机森林和支持矢量机.
- 用AUC,F1得分和准确度等指标评估模型性能.
主要成果:
- 随机森林模型显示出出色的预测性能 (AUC=0.967,精度=0.925).
- 莎普利添加式解释发现的重要预测因素包括年龄较大,脚跟上升时的低脚部运动 (CMHR),高初始脚部姿势位置角度 (CSPA),高脚部曲角度 (PFA),长时间工作,低终端CSPA和高BMI.
- 该模型有效地区分了有和没有CAI的工人.
结论:
- 脚跟上升期间的脚动力学对于分类有或没有CAI的配送工人是有价值的.
- 机器学习,特别是随机森林模型,提供了一个强大的方法来识别CAI在这个人群中.
- 了解动力学预测因素可以告知有针对性的干预措施,以预防复发的脚损伤.
