在使用临床机器学习模型的105名中风后患者中,确定了与跌倒相关的最佳平衡因素和机器人辅助步行训练属性
Heejun Kim1,2, Jiwon Shin1,2, Yunhwan Kim1,2
1Department of Physical Therapy, Sports Movement Artificial Robotics Technology (SMART) Institute, Yonsei University, Wonju, Korea.
NeuroRehabilitation
|July 20, 2024
概括
随机森林算法准确地预测了接受机器人辅助步行训练 (RAGT) 的中风患者的平衡改善. 改善结果的关键因素包括膝盖扭矩,年龄和RAGT会话数.
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
- 生物医学工程 生物医学工程
背景情况:
- 机器人辅助步行训练 (RAGT) 对改善中风后患者的平衡和步行有希望.
- 与跌倒相关的平衡和有效RAGT属性的最佳预测因素仍然不清楚,特别是在高跌倒风险的个体中.
研究的目的:
- 确定最准确的机器学习 (ML) 算法来预测与跌倒相关的平衡因素.
- 确定影响中风后患者平衡改善的关键RAGT属性.
主要方法:
- 将五种ML算法 (逻辑回归,随机森林,决策树,SVM,XGboost) 应用于105名中风后患者的数据集.
- 使用的变量包括平衡得分,步态参数,关节扭矩,功能评估和跌倒历史.
主要成果:
- 随机森林在预测平衡改善方面取得了最高的准确性 (AUC=0.91),超过了SVM (AUC=0.76) 和XGboost (AUC=0.71).
- 确定了改善平衡的关键决定因素:膝盖主动扭矩,年龄,步数,RAGT会话号码,Fugl-Meyer评估 (FMA) 和部扭矩.
结论:
- 随机森林算法是RAGT中与下降相关的平衡的最佳预测模型.
- 强调特定的临床和RAGT相关因素对于成功的康复结果的重要性.
