Comparaison d'un programme de réadaptation assistée par intelligence artificielle pour les troubles musculo-squelettiques de l'épaule et la prise de décision clinique des thérapeutes

Les personnes atteintes de troubles musculo-squelettiques de l'épaule parmi les adultes d'âge moyen et les personnes âgées ont le plus grand besoin de services de réadaptation. La croissance démographique et le vieillissement de la société augmentent par la suite le nombre de personnes handicapées, les coûts des soins de santé et les besoins en professionnels de santé. Les preuves existent pour soutenir l'effet bénéfique des exercices sur la fonction et la qualité de vie. Traditionnellement, un programme de réadaptation est conçu par des thérapeutes pour chaque patient en fonction de son état. Ces dernières années, l'IA est de plus en plus utilisée dans le domaine de la médecine physique et de la réadaptation, cependant, il n'y a aucune étude sur l'application de l'IA dans la prédiction des programmes de réadaptation pour les troubles musculo-squelettiques de l'épaule. L'objectif principal de cette étude est d'explorer les possibilités d'utiliser une approche d'apprentissage automatique supervisé pour prédire les programmes de rééducation des troubles musculo-squelettiques de l'épaule. Vingt-trois caractéristiques sont identifiées en fonction de l'amplitude des mouvements de l'épaule, de la douleur, de la réalisation ou non d'une intervention chirurgicale. Chaque exercice est considéré comme une étiquette avec un total de vingt-cinq exercices. L'ensemble de données est collecté par des thérapeutes cliniques pour développer et former le modèle. Chaque patient doit recevoir au moins deux mois de rééducation et deux temps d'évaluation. La régression logistique, la machine à vecteurs de support et la forêt aléatoire sont utilisées pour construire le modèle informatique. L'exactitude, la précision, le rappel, le score F-1 et l'AUC sont utilisés pour évaluer les performances du modèle informatique en apprentissage automatique. Après la formation, nous comparons la cohérence des programmes de réadaptation prédits en utilisant le modèle d'apprentissage automatique et la prise de décision clinique des thérapeutes.