基于证据的步态分析解释工具 (EB-GAIT) 治疗建议和结果预测模型,以支持基于临床步态分析数据的决策
Michael H Schwartz1,2, Andrew G Georgiadis1,2
1Orthopedic Surgery, University of Minnesota - Twin Cities, Minneapolis, United States of America.
PloS one
|July 29, 2025
概括
本研究介绍了基于证据的步态分析解释工具 (EB-GAIT),这是一个机器学习框架,用于改进临床步态分析 (CGA) 和治疗决策. EB-GAIT通过提供数据驱动的建议和结果预测来支持精准医学,旨在增强患者护理.
科学领域:
- 生物医学工程 生物医学工程
- 整形外科 整形外科 整形外科
- 医疗保健中的机器学习
背景情况:
- 临床步态分析 (CGA) 的解释传统上依赖于主观的临床医生的判断,导致患者的结果变化.
- 现有的CGA方法缺乏客观的,数据驱动的治疗决策支持,阻碍了精准医学的进步.
研究的目的:
- 引入基于证据的步态分析解释工具 (EB-GAIT),这是一个新的机器学习框架,用于增强CGA解释和治疗决策.
- 在EB-GAIT框架内开发和验证外科推和治疗结果的预测模型.
主要方法:
- 开发了使用贝叶斯附加回归树 (BART) 的治疗建议和结果模型.
- 利用Shapley值来提高模型的解释性,解释影响治疗建议的因素.
- 基于历史CGA数据的验证模型,评估准确性,敏感性,特异性和预测间隔.
主要成果:
- 对12种常见的手术进行高精度验证的治疗建议模型.
- 开发了20多项措施的治疗结果模型,证明了无偏见的预测和与测量误差相比的准确性.
- 模拟显示,EB-GAIT可以将手术减少11个百分点,同时改善治疗四肢的结果.
结论:
- EB-GAIT为CGA提供了精准医学的重大进步,提供了一种数据驱动的方法来补充临床判断.
- 该框架有可能优化治疗策略,改善患者的治疗结果,提高手术干预的效率.
- 未来的工作包括改进模型输入,整合详细的手术数据,以及多中心数据聚合以获得更广泛的应用.
