机器学习算法用于预测脊柱双脊椎患者的行走和轮椅转移能力
Gina McKernan1, Matt Mesoros1, Brad E Dicianno1
1Department of Physical Medicine and Rehabilitation, School of Medicine, University of Pittsburgh, Pittsburgh, PA; Human Engineering Research Laboratories, VA Pittsburgh Healthcare System, Pittsburgh, PA.
Archives of physical medicine and rehabilitation
|December 4, 2024
概括
循环神经网络模型准确地预测了脊柱裂纹 (SB) 患者的行走和转移能力. 这些先进的模型显示了与传统方法相比的显著改进,为SB社区提供了对功能结果的更好的洞察力.
科学领域:
- 神经学 神经学
- 康复医学 康复医学 康复医学
- 生物统计学 生物统计学
背景情况:
- 脊椎裂 (SB) 显著影响移动性和独立性.
- 预测像行走和转移能力这样的功能结果对于个性化护理至关重要.
- 现有的统计方法在准确预测这些结果方面存在局限性.
研究的目的:
- 评估统计技术的有效性,特别是循环神经网络 (RNN),用于预测SB患者的行走和转移能力.
- 将RNN的预测准确性与传统的统计方法进行比较.
主要方法:
- 在美国35家门诊SB诊所进行了一项回顾性队列研究.
- 分析了4589名SB患者 (5-73岁) 的数据.
- 一个循环神经网络 (RNN) 模型被用来预测行走类别和轮椅转移能力.
主要成果:
- 该RNN模型实现了83.22%的通行总体预测准确度.
- 它显示了社区健行者 (93.21%) 和非健行者 (76.70%) 的高回忆率.
- 该模型准确地分类了70%的轮椅转移,无助转移的准确率为97.3%.
结论:
- 经常性神经网络模型显示,在SB患者的功能结果预测方面具有显著的前景.
- 与传统的物流回归相比,RNN提供了更好的预测准确性,错误分类的案例更少.
- 这些发现支持使用先进的机器学习技术来提高SB护理中的预后能力.
