在部骨折手术后预测老年康复停留时间 ≤4周:使用身体活动和患者数据的机器学习方法

科学领域:

• 老年医学 老年医学
• 康复科学 康复科学 康复科学
• 医疗保健中的机器学习

背景情况:

• 骨折在老年人 (≥70岁) 中很常见,其中50%需要老年康复治疗.
• 随着患者人数的增加和医疗保健压力的增加,需要有效的康复策略,包括家庭护理.
• 早期识别适合出院的患者有助于及时规划和更顺利的回家过渡.

研究的目的:

• 开发机器学习 (ML) 模型,预测关骨折手术后4周的老年康复停留时间.
• 使用从第一周持续监测的体育活动数据和患者特征进行预测.

主要方法:

• 对100名接受关节骨折手术的患者进行前性队列研究.
• 使用MOX1加速计收集患者特征和身体活动数据.
• 采用主要组件分析和贝叶斯式超参数优化来开发和改进ML模型.

主要成果:

• 支持矢量机 (SVM) 模型实现了高预测精度 (0.95).
• 关键预测因素包括体力活动数据,急诊时间,功能行走,年龄和认知状态.
• 其他重要特征是日常活动中的独立性,社会支持,手术类型和并发症.

结论:

• 开发了准确的ML模型,特别是SVM,用于预测短时间的老年康复停留 (≤4周).
• 这些模型可以帮助优化关节骨折患者的出院计划和资源配置.
• 将体育活动监测与患者数据相结合,为未来的康复提供了一个有希望的方法.