机器学习用于集群和早期膝关节骨关节炎的分类,使用单脚站立动力学

科学领域:

• 生物力学 生物力学
• 机器学习 机器学习
• 骨关节炎研究 骨关节炎研究

背景情况:

• 早期发现膝关节骨关节炎 (EOA) 对于有效管理和改善患者的治疗结果至关重要.
• 单脚站立 (SLS) 动力学为评估膝关节健康提供了一个潜在的非侵入性方法.
• 机器学习 (ML) 为复杂的生物力学数据提供了先进的分析能力.

研究的目的:

• 在SLS运动学上使用ML对EOA进行分类和预测.
• 通过无监督学习来识别与EOA相关的独特动态模式.
• 确定EOA的关键动力学预测因子,用于针对性干预.

主要方法:

• 43名参与者 (40-70岁) 进行了SLS动力学的二维视频分析.
• 采用K-means集群用于无监督识别动力学组.
• 监督的ML算法,包括随机森林,被训练为EOA分类.

主要成果:

• 无监督学习基于SLS动力学和人口统计学确定了三个不同的组.
• 随机森林算法实现了EOA检测的完美分类准确度 (AUC=1.000,准确度=1.000).
• 盆腔和脚水平位移是EOA最重要的预测因素.

结论:

• 对SLS动态的ML分析表明,早期发现膝关节关节炎的潜力很高.
• 关键的运动预测因素,特别是骨盆和脚运动,为查和康复提供了新的见解.
• 这种方法可以提高EOA的早期诊断和个性化治疗策略.