机器学习用于检测痴呆症患者的运动激动,使用实时位置数据

科学领域:

• 老年学是一门学科.
• 神经科学是一个神经科学.
• 计算机科学 计算机科学

背景情况:

• 运动动荡是痴呆症中常见的一种神经精神病症状,表明痛苦并构成安全风险.
• 数字表型为改善痴呆症症状的检测,监测和个性化护理提供了潜力.
• 目前评估运动动荡的方法可能无法完全捕捉其细微差别或提供实时洞察力.

研究的目的:

• 确定位置监控系统数据单独或与临床评估一起,是否可以使用机器学习对痴呆患者的运动动荡进行分类.
• 为了确定从位置数据中获得的数字表型的有效性,用于识别运动动荡.
• 为了比较基于位置的特征与仅仅临床评估的预测能力.

主要方法:

• 一项前性的纵向观察性研究,涉及47名患有痴呆症的老年人.
• 用匹兹堡激动度表评价的运动动荡,由临床工作人员按班次进行评估.
• 机器学习模型使用基于位置的轨迹指标和临床特征来预测运动动荡.

主要成果:

• 将基于位置的轨迹指标与临床测量相结合,显著改善了运动动荡的可预测性.
• 最好的机器学习模型在分类运动动荡时实现了0.81的曲线下的面积.
• 基于轨迹的特征被确定为准确的运动动荡分类中最关键的特征.

结论:

• 位置数据有效地区分临床上显著的运动动荡与正常活动在每轮班的基础上.
• 来自位置数据的行为分析对于评估痴呆症神经精神病症状非常有价值.
• 数字表型显示出增强痴呆症运动动荡的临床评估和管理的前景.