机器学习模型用于预测下肢截肢者的行走能力
Aleksandar Knezevic1,2, Jovana Arsenovic3, Enis Garipi1,2
1Faculty of Medicine, University of Novi Sad, 21000 Novi Sad, Serbia.
Journal of clinical medicine
|November 27, 2024
概括
机器学习准确地预测了下肢损失 (LLL) 个体的行走能力. 这个模型通过分析平衡,BMI和抑郁等因素来帮助假肢处方和康复. 它有助于临床医生和患者了解出行潜力.
科学领域:
- 康复医学 康复医学 康复医学
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 下肢损失 (LLL) 的发病率不断上升,需要准确评估行走潜力.
- 有信息的假肢处方和康复计划对于LLL患者至关重要.
- 预测模型可以支持对LLL护理的临床决策.
研究的目的:
- 开发一种机器学习模型,用于预测LLL患者的行走能力.
- 确定影响行走潜力和功能结果的关键因素.
- 协助康复团队进行假肢选择和患者咨询.
主要方法:
- 对104名LLL参与者的前性横截面研究.
- 数据收集包括人口统计,身体,心理和社会因素.
- 支持矢量机器 (SVM) 用于构建K级,定时上下测试 (TUG) 和两分钟步行测试 (TMWT) 的预测模型.
主要成果:
- 确定了K级,TUG和TMWT的八个重要预测因素:平衡,BMI,年龄,抑郁症,截肢水平和肌肉力量.
- 感知社会支持的多维度尺度 (MSPSS) 是K级的额外预测指标.
- SVM模型在预测功能结果方面表现出高准确度.
结论:
- 机器学习,特别是SVM,可以准确地预测LLL患者的功能行走结果.
- 开发的预测模型可以指导临床实践,并告知患者他们的移动潜力.
- 将这些评估整合到日常护理中,可以优化康复策略和假肢安装.
