机器学习模型在整个护理过程中识别患者的步行速度,生成临床医生评估的通知

科学领域:

• 数字健康创新和用于被动数据收集的可穿戴技术.
• 机器学习 (ML) 的应用,用于解释复杂的健康数据.
• 在骨科手术恢复中,生物医学工程和康复科学.

背景情况:

• 数字健康创新,特别是可穿戴设备,使远程监控成为可能,并产生大量数据.
• 机器学习 (ML) 对于解释这些数据以获得临床见解至关重要.
• 被动移动数据收集为手术后的患者监测提供了一种新方法.

研究的目的:

• 开发和评估一种机器学习 (ML) 模型,用于预测关节更换后的步行速度恢复.
• 在早期康复期间识别患有不良步行速度结果风险的患者.
• 评估ML模型的性能与传统的基于值的监测方法相比.

主要方法:

• 利用基于智能手机平台的商业数据库收集术前和术后的移动数据.
• 开发了一种ML模型来预测步行速度恢复曲线,并识别有风险的患者.
• 使用灵敏度,特异性,精度,准确性和接收器操作器曲线 (ROC) 分析评估模型性能.

主要成果:

• 该ML模型显示显著提高了性能,与当前基于步行速度值的通知相比.
• 在测试组件上实现了88%的准确性,95%的特异性,53%的精度和36%的灵敏性.
• ROC分析表明,临床表现良好,曲线下的面积 (AUC) 为0.81.

结论:

• 机器学习 (ML) 是一个可行的工具,用于预测完全关节置换后的步态恢复,提供优良的特异性.
• 开发的模型可以通过额外的数据和临床医生反进一步细化,以提高临床效用.
• 这种预测能力支持主动的患者管理和改进的康复轨迹.