致力于瘤学中的可扩展电肌学:对规范化挑战和机器学习创新的叙述性审查
Tania Karina Garcia-Vite1, Achilleas Pavlou2, Marios Avraamides3
1CYENS Centre of Excellence, Nicosia, Cyprus.
Seminars in oncology nursing
|December 6, 2025
概括
机器学习 (ML) 预测的最大自愿收缩 (MVC) 为瘤学中传统的EMG规范化提供了一个可扩展的替代方案. 这种方法增强了癌症患者的神经肌肉评估,改善了康复和幸存者护理.
科学领域:
- 神经肌肉生理学 神经肌肉生理学
- 生物医学工程 生物医学工程
- 瘤学康复康复 瘤学康复
背景情况:
- 电肌图 (EMG) 对于监测癌症患者康复至关重要.
- 传统的使用最大自愿收缩 (MVC) 的EMG正常化对于癌症患者来说通常是不切实际的,原因是疲劳,疼痛或治疗副作用.
- 这限制了EMG在瘤学环境中的广泛应用.
研究的目的:
- 审查使用机器学习 (ML) 来预测MVC的可行性和临床实用性,作为瘤学中直接测量的替代方案.
- 探索ML预测的MVC如何克服癌症护理中传统EMG规范化的局限性.
主要方法:
- 对2015年至2025年间发表的同行评审文章进行叙述性审查.
- 在主要的科学数据库 (PubMed,IEEE Xplore等) 中进行了搜索. 使用与EMG,瘤学,MVC,ML和康复相关的关键词.
- 分析包括了38项相关研究.
主要成果:
- 传统的MVC规范化在癌症患者中经常是不可行的,这造成了安全风险,并限制了评估准确性.
- 使用人口统计,人体测量和亚最大EMG数据的ML模型显示,对间接估计MVC显著有前途.
- 这些预测模型可以提高准确性,减少患者负担,并促进EMG更广泛地纳入监测和康复.
结论:
- ML预测的MVC可以克服在瘤学中EMG标准化的障碍,增强功能评估和康复策略.
- 这种方法通过减少对最大患者努力的依赖,支持更准确,以患者为中心的护理.
- 瘤护士和康复专家可以将ML支持的EMG整合到临床和家庭程序中,以进行适应性,实时干预.
