深度学习从传感器数据中预测老年人的手术后移动性,日常生活活动和出院目的地

科学领域:

• 老年医学
• 生物医学工程
• 数据科学

背景情况:

• 人口老龄化需要更好的功能恢复评估.
• 传统的方法是主观的,
• 穿戴式传感器提供客观,持续的监控.

研究的目的:

• 评估基于惯性测量单位 (IMU) 的数据和深度学习,以预测老年人的术后结果.
• 评估流动性,日常生活活动和排放目的地的预测.
• 探索手术后自动功能评估的实用性.

主要方法:

• 从SURGE-Ahead项目中分析了39名老年手术患者 (平均年龄为79.05岁) 的数据.
• 在术后5天内使用腰部IMU传感器.
• 应用和验证的深度学习模型 (TabPFN) 使用交叉验证.

主要成果:

• 准确预测Charité流动性指数 (R2=0.65) 和巴特尔指数 (R2=0.70).
• 与人类评估的中度至强度一致 (加权卡帕≥0. 80).
• 排放目的地预测准确度为82%. Z频道IMU数据和步行参数是关键预测因素.

结论:

• 与深度学习相结合的IMU数据显示了老年手术患者自动功能评估的巨大潜力.
• 这种方法可以支持临床决策,用于排放规划.
• 通过可穿戴传感器进行客观,持续的监测,