使用可穿戴地面反应力传感器和机器学习预测下肢骨折的愈合

科学领域:

• 生物力学 生物力学
• 整形外科 整形外科 整形外科
• 医疗保健中的机器学习

背景情况:

• 下肢骨折在愈合和评估方面存在重大挑战.
• 目前监测骨折恢复的方法往往是主观和有限的.
• 可穿戴技术为客观,持续的患者监测提供了潜力.

研究的目的:

• 研究可穿戴步态传感器和机器学习在预测下肢骨折愈合方面的有效性.
• 开发一个数据驱动的模型,客观地评估骨折恢复.
• 探索早期发现并发症和准确预测康复时间线的潜力.

主要方法:

• 对25名关闭下肢骨折患者的步态监测内数据的回顾性分析.
• 处理连续的脚下负荷数据以提取步态指标.
• 使用白盒机器学习模型 (决策树,拉索回归,逻辑回归) 进行特征选择和预测.
• 模型评估使用十倍交叉验证和留出一项验证.

主要成果:

• 机器学习模型在预测骨折愈合时实现了约76%的准确性,精度,回忆和F1分数.
• 特征选择确定了脚下负荷分布模式,特别是中间表面,作为关键指标.
• 交叉验证和抛出一个值的验证显示了稳定的预测指标.

结论:

• 将可穿戴传感器与机器学习相结合,可以对下肢骨折愈合进行客观评估.
• 开发的模型可以准确预测康复时间表,并有助于早期发现并发症.
• 这种方法促进了数据驱动的临床决策,可能缩短恢复时间.