捆绑评估以取代中风患者驾驶功能的道路测试:通过随机森林的二元分类模型
目标:
本研究旨在构建一种模型，以替代实路测试，对卒中患者的驾驶功能进行综合评估。
方法:
从38名符合入选标准的卒中患者中收集临床数据。综合评估包括牛津认知量表（OCS）评分、在与受试者3相同的八项模拟驾驶任务下获取的眼动追踪数据、Fugl-Meyer下肢运动功能评估（FMA-LE）评分、下肢踝部肌肉力量和主动活动范围（AROM），以及模拟驾驶仪上的表现。所有患者均被送往驾校进行实际道路测试。根据患者是否完成实际道路测试，将其归类为“成功”或“未成功”组。随后采用随机森林算法，基于两组数据构建二分类预测模型。
结果:
与未成功组相比，成功组在 OCS 量表的“划掉完整心脏”项目上得分更高（p= 0.015）以及“执行功能”得分较低（p= 0.009）。对眼动追踪记录的分析显示，成功组在调头过程中表现出较低的瞳孔变化率、较高比例的注视型眼动类型、更长的平均注视持续时间，以及显著更快的扫视平均速度p= 0.032)，左转（p= 0.015），以及自由驾驶任务（p= 0.027）。与未成功组相比，成功组的FMA-LE评分更高（p= 0.018），踝关节背屈的手动肌力更强（p= 0.024）以及跖屈（p= 0.040），以及背屈时更大的 AROM（p= 0.020）和跖屈（p= 0.034）。成功组表现出更少的碰撞（p< 0.001），车道偏离（lane violations）p< 0.001），以及错误的操作（p< 0.001）时完成模拟驾驶任务。基于56个具有统计学差异的输入数据集，用于综合评估的随机森林模型准确率超过83%。
结论:
包含认知、眼动追踪、运动功能及模拟驾驶表现的综合评估，可作为判断卒中患者是否能够通过实际道路测试的潜在指标。此外，已建立的随机森林分类模型在预测实际道路测试结果方面表现出有效性，值得进一步应用于临床。
