相关实验视频
Updated: Sep 17, 2025
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.5K
一种可解释的机器学习方法,用于预测和分级关节骨关节炎,使用步态分析.
Qing Yang1, Xinyu Ji2, Yuyan Zhang2
1Department of Breast and Thyroid Surgery, Shandong Provincial Hospital Affiliated to Shandong First Medical University, Jing Wu Wei Qi Road, Jinan, 250021, Shandong Province, People's Republic of China.
BMC musculoskeletal disorders
|July 2, 2025
概括
机器学习使用下肢步态数据准确检测关节骨关节炎 (OA) 和其严重程度. 这种方法为临床评估提供了客观的生物力学见解.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 整形外科 整形外科 整形外科
背景情况:
- 关节骨关节炎 (OA) 导致硬和有限的运动能力,改变患者的步态模式.
- 目前用于跟踪单边关节骨关节炎患者生物机械变化的方法尚未成熟.
- 临床试验.gov的标识符:NCT01907503.3.gov的标识符:NCT01907503.
研究的目的:
- 评估下肢运动步态数据的有效性,以检测和评价单边部骨关节炎的严重程度.
- 使用机器学习算法来分析步态模式.
主要方法:
- 为时空和非线性步态特征开发了一个特征提取框架.
- 应用沙普利添加式解释 (SHAP) 用于特征选择和解释.
- 利用支矢量机器 (SVM) 将关节骨质炎患者和健康对照人 (HCs) 之间的步态模式分类.
- 在80名高血压患者和99名关节骨质炎患者 (KL 2-4级) 的公开数据集上验证了战略.
主要成果:
- 在检测关节OA (HCs与关节OA患者) 中获得了98.21%的准确性.
- 在严重程度评级方面达到89.65%的准确度 (HCs与等级2/3与等级4).
- 在详细的严重程度评级方面,准确度达到了87.54% (HCs vs. 2级 vs. 3级 vs. 4级).
结论:
- 拟议的机器学习方法在关节骨关节炎检测和严重程度评估方面表现出卓越的性能.
- 步态分析提供了客观的生物力学数据,检测了放射图形上看不到的微妙变化.
- 这种方法可以在临床实践中补充凯尔格伦和劳伦斯 (KL) 评分表.
