使用手腕穿戴可穿戴设备对瘤患者的症状监测:一种机器学习方法

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 持续的精神身体症状监测对于提高癌症患者的生活质量至关重要.
• 问卷等传统方法缺乏持续监测能力.
• 可穿戴传感器和人工智能为普遍的健康数据收集提供了一种新的方法.

研究的目的:

• 评估机器学习 (ML) 算法用于预测九种常见的癌症患者症状.
• 利用可穿戴传感器和自我评估症状的生理信号进行预测.
• 评估家庭内持续症状监测的可行性.

主要方法:

• 从皮电活动 (EDA),皮肤温度 (TEMP) 和加速计 (ACC) 数据中提取的特征.
• 应用主要组件分析 (PCA) 来减少特征维度.
• 训练并比较了后勤回归 (LogReg),支持向量机 (SVM) 和随机森林 (RF) 算法.
• 采用启动式方法来进行可靠的结果评估.

主要成果:

• 在预测癌症患者的症状方面,SVM和RF算法的表现优于LogReg.
• 使用SVM使用最高F1得分 (91.68%±2.81%) 预测疲劳.
• 其他症状包括不适,嗜睡,焦虑,食欲,恶心和疼痛,F1得分超过70%.

结论:

• 可穿戴设备和ML的整合表明,在癌症患者中持续监测心理和身体症状的可行性.
• 这种方法有可能通过早期干预和个性化策略显著改善癌症患者的护理.
• 需要对更大的样本大小进行进一步的研究,并考虑一天中的时间影响.