人工智能预测急性中风症状后修改的兰金分数,使用手腕穿戴的三轴加速度计数据
Benjamin R Kummer1, Alexander Gerlach2, Shaun Kohli3
1Department of Neurology, Icahn School of Medicine at Mount Sinai, New York, NY, USA; Clinical Neuro-Informatics Center, Icahn School of Medicine at Mount Sinai, New York, NY, USA; Windreich Department of Artificial Intelligence and Human Health, Icahn School of Medicine at Mount Sinai, New York, NY, USA; Hasso Plattner Institute for Digital Health at Mount Sinai, New York, NY, USA.
概括
使用可穿戴传感器的人工智能 (AI) 可以预测中风恢复结果. 这项技术提供了一种客观的方法来跟踪中风后的功能变化,改善患者监测.
科学领域:
- 生物医学工程 生物医学工程
- 神经学 神经学
- 数据科学数据科学数据科学
背景情况:
- 修改后的兰金尺度 (mRS) 是中风后功能评估的标准,但具有包括主观性和文化障碍在内的局限性.
- 穿戴式加速度计和人工智能为对中风后功能状态的客观,持续监测提供了潜力.
研究的目的:
- 用可穿戴传感器数据评估人工智能模型在预测修改的兰金尺度 (mRS) 评分和中风后的功能变化方面的有效性.
- 探索人工智能驱动的加速度计的潜力,以客观地描述中风后的功能状态.
主要方法:
- 来自REACH中风睡眠研究的数据分析,包括三轴手腕穿戴加速度计.
- 训练和评估后勤回归 (LR),随机森林 (RF) 和长期短期记忆 (LSTM) 模型,以预测1个月和6个月的mRS得分和mRS变化.
- 模型性能通过使用受体操作曲线下的面积 (AUROC) 进行评估,并进行5倍交叉验证.
主要成果:
- 与LSTM和LR模型相比,随机森林模型在预测1个月的mRS得分 (AUROC 0.65) 和6个月的功能变化 (AUROC 0.62) 中表现优异.
- 人工智能模型在短期的mRS分数和中风后的功能变化方面实现了超过机会的预测准确性.
- 射频模型对1个月的mRS得分和1至6个月的mRS变化显示出更好的预测能力.
结论:
- 应用于可穿戴加速计数据的AI提供了一个概念验证,用于捕获有意义的中风后功能变化.
- 这种方法可能会为未来的中风患者实时监测框架提供信息.
- 整合多式可穿戴设备和临床数据可以进一步提高中风后功能结果的预测准确性.
