基于机器学习的步态分析,用于预测心力衰竭的老年患者的临床虚弱度
Yoshifumi Mizuguchi1, Motoki Nakao1, Toshiyuki Nagai1
1Department of Cardiovascular Medicine, Faculty of Medicine and Graduate School of Medicine, Hokkaido University, Kita-15 Nishi-7, Kita-ku, Sapporo 0608638, Japan.
European heart journal. Digital health
|March 20, 2024
概括
一个新的机器学习模型使用智能手机运动数据自动评估心力衰竭 (HF) 患者的脆弱性. 这种预测的脆弱性得分准确地预测了HF老年人的死亡风险.
科学领域:
- 老年学是一门学科.
- 心脏病学 心脏病学
- 人工智能的人工智能
背景情况:
- 脆弱性评估对于指导治疗和预测老年心力衰竭 (HF) 患者的结果至关重要.
- 当前的脆弱度量表往往是主观的,导致评级者之间的变化.
- 需要客观和自动化的脆弱性评估方法来改善临床决策.
研究的目的:
- 开发和验证基于机器学习的系统,用于对老年HF患者的临床虚弱度量表 (CFS) 进行自动评分.
- 评估机器学习预测的CFS与所有原因死亡风险之间的关联.
主要方法:
- 在7个中心对417名患有症状慢性HF的老年患者 (≥75岁) 进行前性研究.
- 利用基于深度学习的智能手机摄像头视频的姿势估计来捕捉身体跟踪运动数据.
- 开发了一个光梯度增强机 (LightGBM) 模型,使用128个特征,包括步态参数,来预测CFS.
- 使用科恩加权卡帕 (CWK) 和类内相关系数 (ICC) 验证模型性能.
主要成果:
- 在导出和验证队列中,LightGBM模型在预测和实际CFS之间表现出了很好的一致性 (CWK> 0.81,ICC> 0.81).
- 在随访期间,预测的更高的CFS独立地与所有死因 (HR 1.60) 的风险增加有关.
- 该模型成功地将客观运动数据转化为临床相关的脆弱性得分.
结论:
- 基于机器学习的自动CFS评级对于老年HF患者来说是可行的和可靠的.
- 从运动分析中得出的预测CFS是所有原因死亡率的重要独立预测指标.
- 这项技术在临床实践中提供了客观,可扩展和可访问的脆弱性评估的潜力.
