脑震荡后症状负担和动态:来自数字健康干预和机器学习的见解
Rebecca Blundell1, Christine d'Offay2, Charles Hand2
1Department of Neurosurgery, The National Hospital for Neurology and Neurosurgery, London, United Kingdom.
PLOS digital health
|January 8, 2025
概括
机器学习识别了三个脑震荡症状集群,揭示了不同的恢复模式. 数字健康工具为脑震荡恢复提供可扩展的支持.
科学领域:
- 神经科学是一个神经科学.
- 数据科学数据科学数据科学
- 数字健康数字健康
背景情况:
- 脑震荡会导致持续的症状,影响生活质量.
- 了解脑震荡后症状轨迹对于有效管理至关重要.
研究的目的:
- 将机器学习应用于数字健康数据,以描述脑震荡后的症状概况和恢复.
- 根据症状严重程度,识别不同的患者群.
主要方法:
- 在35天内利用了84名患者的每日症状日记数据的K-平均集群.
- 分析了758份症状日记,捕获了6064个个体症状评级.
- 相关的症状集群与验证的问卷 (Rivermead,PHQ-9) 在6周的随访.
主要成果:
- 确定了三个患者群:低 (n=24),中度疲劳 (n=35) 和高症状负担 (n=25).
- 疲劳,睡眠障碍和难以集中注意力是最常见的.
- 身体和情绪症状显示出早期恢复;在情绪/易怒和记忆/集中之间发现了显著的相关性.
结论:
- 机器学习有效地根据症状严重程度对脑震荡后患者进行集群.
- 数字健康干预为了解脑震荡恢复提供了有价值的数据.
- 研究结果支持使用可扩展的脑震荡患者支持技术.


