整合到机器学习的多重归算:在密集的住院康复治疗后,预测中风后的行走恢复

科学领域:

• 康复医学 康复医学 康复医学
• 在医疗保健中的数据科学.
• 神经学 神经学

背景情况:

• 高质量的数据对于个性化康复规划至关重要.
• 机器学习 (ML) 提供了改善预测的潜力,但其与处理缺失数据的方法 (如多重推算 (MImp)) 的整合尚未得到充分探索.
• 预测中风后的行走恢复对于患者的治疗结果和资源分配至关重要.

研究的目的:

• 开发一种用于中风后行走的预后模型,使用与MImp集成的ML.
• 确定影响中风幸存者的行走预后的关键因素,这些人正在接受密集康复.
• 为了证明一个可靠的管道,利用不完整的数据集在医疗保健预后.

主要方法:

• 在密集康复中注册了中风幸存者,收集了人口统计,临床评估,物理治疗和心理社会因素的数据.
• 在10个归算数据集上使用多重推算 (MImp) 来处理缺失的数据.
• 机器学习模型,包括随机森林,被优化,交叉验证,并测试了使用功能行走类别尺度预测行走.

主要成果:

• 随机森林模型在测试组中实现了75.5%的聚合平衡精度.
• 发现的关键预测因素包括修改后的巴特尔指数,弗格尔-迈耶评估/运动能力指数,短时间的体力表现电池,年龄,查尔森并发症指数/累积疾病评级尺度和干部控制测试.
• 使用可解释性技术来分析这些预测因素的贡献.

结论:

• 这项研究介绍了ML与MImp结合的第一个应用之一,用于预测中风后康复中的行走恢复.
• 开发的管道有效地利用不完整的数据集进行医疗保健预后.
• 这些发现突出了重要的预后因素,可以为临床决策和个性化康复计划提供信息.