改善儿童尾切除术后异常恢复的早期预测,使用可穿戴设备的现实世界数据

科学领域:

• 生物医学工程 生物医学工程
• 儿科手术 儿科手术
• 数据科学数据科学数据科学

背景情况:

• 儿科尾切除术后的术后并发症是一个重大问题.
• 目前用于识别异常恢复的方法依赖于主观和间歇性评估,可能会延迟诊断.
• 可穿戴设备为早期发现并发症提供持续,客观的健康监测.

研究的目的:

• 开发和评估一种机器学习模型,以利用可穿戴设备数据,预测小儿尾切除术后异常恢复的早期情况.
• 在接受尾切除的儿童中识别并发症或异常症状的早期生物标志物.

主要方法:

• 收集了93名儿童21天的Fitbit数据,这些数据是因为复杂的尾炎而进行尾切除术后的.
• 提取了143个日常特征,包括活动,心率,睡眠和临床指标.
• 训练了一个平衡随机森林分类器来预测临床诊断前1-3天的异常恢复,解决缺失和不平衡的数据.

主要成果:

• 最好的模型达到87.5%的准确度,在诊断前三天预测异常恢复.
• 预测准确度为前两天的76.4%,前一天的85.7%,诊断当天的78.8%.
• 与之前的研究相比,总体预测准确度提高了10.1%.

结论:

• 应用于可穿戴设备数据的机器学习模型可以有效地预测小儿尾切除患者的异常恢复.
• 这种方法可以近乎实时提醒异常恢复,可能增强儿科术后护理.
• 进一步的开发可以将这项技术整合到临床决策工具中,以改善患者的治疗结果.