一个人工智能辅助的适应布尔表格用于运动处方评估:一个试点验证研究

科学领域:

• 运动科学 运动科学
• 医疗保健中的人工智能
• 临床评估工具 临床评估工具

背景情况:

• 针对个性化运动处方的传统评分表缺乏客观性和效率.
• 人工智能 (AI) 为可扩展和客观的质量评估提供了一条道路.

研究的目的:

• 开发一个人工智能辅助的评估框架,用于个性化的运动处方.
• 评估自适应精度布尔标题 (Adaptive-PBR) 的可行性,可靠性和效率.

主要方法:

• 根据ACSM指导方针开发了一个50项精确布尔标题 (PBR) 和10项利克特等级.
• 利用GPT-4为五个不同的临床病例生成20项适应性PBR.
• 十二位专家在随机条件下使用PBR,利克尔特尺度和自适应PBR来评估病例.

主要成果:

• 适应性PBR显示出优异的评价者间可靠性 (ICC = 0.83),表现优于利克特尺度 (ICC = 0.65).
• 与完整的PBR (7.1比19.5分钟) 相比,评估时间减少了大约63%.
• 适应性PBR减轻了利克特尺度固有的主观变化和偏差.

结论:

• 人工智能辅助的自适应PBR提供了一个可行,可靠和高效的标准来评估运动处方.
• 该工具将细粒度的标准与人工智能的适应性相结合,为主观尺度提供了强大的替代方案.
• 适应性PBR具有作为临床环境中的质量保证工具的直接潜力.