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.

科学领域:

• 神经学 神经学
• 康复医学 康复医学 康复医学
• 生物医学工程 生物医学工程

背景情况:

• 卒中幸存者在恢复驾驶能力方面经常面临挑战.
• 传统的道路驾驶测试可能无法完全捕捉中风后驾驶功能的复杂性.
• 需要客观的评估工具来评估这一群体的驾驶适应性.

研究的目的:

• 开发和验证一个预测模型,用于在中风患者上路驾驶测试的成功.
• 建立一个捆绑评估,整合认知,眼睛和运动功能.
• 探索随机森林算法的实用性,以对驾驶能力进行分类.

主要方法:

• 收集了38名中风患者的临床数据,包括认知 (牛津认知屏幕),眼睛跟踪,运动 (Fugl-Meyer评估-下肢,脚强度,AROM) 和模拟驾驶表现.
• 根据道路测试结果将患者分为成功或失败组.
• 使用随机森林算法构建二进制分类模型.

主要成果:

• 成功组表现出更好的认知得分,明显的眼睛跟踪模式 (减少瞳孔变化,更多的固定,更长的固定时间,更快的跳动速度) 和优越的运动功能 (更高的FMA-LE,脚强度,AROM).
• 在成功组中,模拟驾驶性能显示出较少的错误 (碰撞,车道违规,不正确的机动).
• 随机森林模型在使用56个不同的输入变量预测道路测试结果时实现了>83%的准确性.

结论:

• 结合了认知,眼球追踪,运动和模拟驾驶数据的捆绑评估,可以有效地预测中风患者在路上驾驶测试的成功.
• 开发的随机森林模型显示了临床应用的重大潜力,用于评估中风后的驾驶适应性.
• 这种方法为评估驾驶功能的传统道路测试提供了一个有希望的替代方案.