客观和自动评估方法用于诊断注意力缺陷/多动障碍,基于门诊视频中的骨架检测和分类分析

科学领域:

• 医学技术 医学技术 医学技术
• 机器学习在医疗保健中的应用
• 神经发育障碍 神经发育障碍

背景情况:

• 目前的注意力缺陷/多动症 (ADHD) 诊断依赖于主观观察,导致潜在的错误诊断.
• 运动异常,包括多动和协调缺陷,与ADHD有关.
• 需要客观,可量化的方法来提高ADHD诊断的准确性.

研究的目的:

• 开发和验证基于机器学习的方法,用于客观ADHD评估和分类.
• 为了自动量化患者的运动和不安,以获得诊断见解.
• 为了比较各种机器学习分类器和功能组合的诊断性能.

主要方法:

• 利用门诊视频通过OpenPose检测患者骨.
• 使用从骨架数据中获得的11个特征描述符来量化患者的运动.
• 使用六种机器学习模型进行分类分析,以评估诊断准确性.

主要成果:

• 与非ADHD组相比,ADHD组对所有单个特征描述符的值显著更高.
• "大腿角"特征描述器表现出卓越的性能,达到91.03%的准确性,90.25%的灵敏度和91.86%的特异性.
• 机器学习模型根据运动模式有效地区分了ADHD和非ADHD个体.

结论:

• 拟议的机器学习方法为ADHD评估提供了一个客观和自动化的方法.
• 这项技术可以作为一个有价值的工具来支持医生诊断ADHD.
• 量化运动异常为改善ADHD诊断精度提供了可靠的基础.