在中风患者中使用深度学习开发上肢运动功能的累积评估系统

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
• 医疗技术 医疗技术 医学技术

背景情况:

• 上肢的Fugl-Meyer评估 (FMA-UE) 是评估中风后运动功能的标准.
• 由于FMA-UE的使用时间长,临床可行性面临挑战.
• 需要更有效的评估工具来保持诊断准确度.

研究的目的:

• 开发一个对上肢运动功能的累积评估系统 (AAS-UE).
• 提高中风患者上肢运动功能评估的行政效率.
• 确保AAS-UE与FMA-UE相比保留了足够的心理测量特性.

主要方法:

• 利用了来自三项先前研究的二次数据,其中包括来自亚急性和慢性中风患者的FMA-UE数据集.
• 在AAS-UE中使用深度学习算法,根据患者病史来个性化项目选择.
• 整合了以前的FMA-UE得分,评估间隔和中风慢性,以预测得分和优化项目集.

主要成果:

• 该AAS-UE证明了出色的并发有效性 (r = 0.97-0.99) 和高的测试重试可靠性 (ICC = 0.96).
• 获得低随机测量误差 (15.6%的最小可检测变化) 和在组 (SRM = 0.65-1.07) 和个体水平 (30.5%-53.2%显著改善) 上都有良好的响应.
• AAS-UE的心理测量特性与已建立的FMA-UE相似.

结论:

• AAS-UE是一个创新的评估方法,利用患者数据提高效率.
• 该系统有效地平衡了行政效率与强大的心理测量性能.
• 在提高个人级别的响应能力和最大限度地减少测量错误方面,AAS-UE特别有前途.