Previsione del rischio di caduta nei pazienti con ictus utilizzando un modello di apprendimento automatico e dati multisensore

Obiettivo: L'obiettivo principale è sviluppare e convalidare un modello basato sull'apprendimento automatico che utilizzi segnali multisensore (EMG) per identificare i pazienti con ictus ad alto rischio di cadute. Questo modello mira a migliorare le tradizionali valutazioni del rischio di caduta che si basano fortemente sulle valutazioni fisiche e sull’anamnesi del paziente.

Disegno dello studio: si tratta di uno studio clinico prospettico, multicentrico, in aperto e di conferma. Implica la raccolta di dati EMG da pazienti affetti da ictus e l’applicazione di tecniche di apprendimento automatico per prevedere il rischio di caduta. Lo studio confronterà l’accuratezza predittiva del modello di apprendimento automatico rispetto agli strumenti convenzionali di valutazione del rischio di caduta.

Metodi:

1. Partecipanti:

   • Dimensione del campione: 80 pazienti affetti da ictus e 10 adulti sani per stabilire le letture EMG di base.

2. Interventi:

   • I partecipanti verranno sottoposti alla raccolta del segnale EMG dai muscoli chiave degli arti inferiori durante l'esecuzione di movimenti standardizzati.

3. Misure di risultato:

   • Risultato primario: sensibilità e specificità del modello di apprendimento automatico nella previsione dei pazienti ad alto rischio di caduta.
   • Risultati secondari: confronto delle prestazioni predittive del modello di apprendimento automatico con gli strumenti tradizionali di valutazione del rischio di caduta (ad esempio, Berg Balance Scale).

Raccolta dati:

• I sensori EMG saranno attaccati ai muscoli degli arti inferiori dei pazienti. I sensori registreranno l’attività muscolare durante il movimento, che verrà poi analizzata utilizzando il modello di apprendimento automatico.
• Il modello predittivo verrà addestrato utilizzando le caratteristiche estratte dai segnali EMG e le sue prestazioni saranno convalidate rispetto agli incidenti di caduta reali riportati durante il periodo di follow-up.

Analisi statistica:

• L'efficacia del modello di machine learning sarà misurata attraverso la sua sensibilità (capacità di identificare correttamente i pazienti ad alto rischio) e specificità (capacità di identificare correttamente i pazienti a basso rischio).
• Per valutare le prestazioni del modello verranno utilizzate le curve ROC (Receiver Operating Characteristic) e le statistiche dell'area sotto la curva (AUC).