고령자의 가속도계 및 비디오 보행 분석 데이터를 모두 사용한 낙상 예측 도구 개발 (APDM system)

기계 학습의 최근 발전으로 인해 의학적 예후를 평가하는 표준 접근 방식이 중단되었습니다. 학술 임상의와 연구 엔지니어로 구성된 우리 그룹은 노인 모니터의 안정성 측정 데이터베이스(가속도계, 자이로스코프 및 고도 센서 데이터)를 세로로 생성하려고 합니다. 이 안정성 측정(SM) 데이터베이스를 통해 우리는 새로운 기계 학습 방법을 사용하여 미래의 낙상을 예측하는 알고리즘을 개발하고 검증하여 취약한 개인을 더 잘 타겟팅할 수 있습니다.

침대 옆 저울 7-12를 사용하여 노인의 낙상 위험을 정량화하려는 수많은 시도가 있었지만 이전 그룹은 보행 안정성을 평가하기 위해 가속도계와 비디오 측정을 모두 사용하려고 시도하지 않았습니다. 이러한 측정은 자주 낙상하는 환자와 드물게 낙상하는 환자 모두에서 캡처되므로 최소 100회의 낙상 이벤트 이전에 다양한 시간 창(1, 2, 3 및 4주)에 대한 SM 데이터를 갖게 됩니다. 전에 캡처.

가설:

1. 가속도계, 자이로스코프 및 비디오 데이터의 조합을 사용하여 먼저 훈련 데이터 세트를 사용한 다음 검증 데이터 세트에 대한 검증을 사용하여 종 방향으로 낙상을 예측할 수 있습니다.
2. 위의 모든 센서 기반 입력은 노인의 낙상 위험을 예측하는 단순하고 자동화된 예측 도구로 결합될 수 있습니다. 낙상 위험 평가의 현재 방법: 의사 사무실에서 낙상을 예측하는 현재 방법은 간단한 병상 테스트12-14에 크게 의존합니다. 유용하지만 이러한 모든 측정은 약 0.707-12의 AUC(Area Under the Curve)로 매우 낮은 민감도와 특이성을 가지고 있습니다.

사실, 최근의 메타 분석에서는 "민감도와 특이도 사이에 최적의 균형을 이루거나 낙상의 위험에 대한 단순한 임상적 판단보다 분명히 더 나은 도구를 식별할 수 없었습니다."

행동 양식:

a) 피험자: i) 고위험 피험자(n=50): 밴쿠버 종합병원의 낙상 및 노인병 클리닉에서 모든 피험자를 모집합니다. 이 클리닉은 연간 약 2,500명의 환자를 진료하며 현재 연구 모집에 사용되고 있습니다. 각 진료소 환자는 보행 속도를 측정하여 낙상 위험이 높은 사람과 낮은 사람을 모두 모집할 수 있습니다. 이 테스트를 통해 우리는 낙상의 위험이 있는 50명의 피험자를 모집할 수 있으며, 다른 어떤 센서 연구보다 5배 더 많은 100개 이상의 이벤트에 대해 전향적으로 수집된 데이터 세트를 제공할 수 있습니다.

ii) 저위험 피험자(n=50): 또한 신문 광고를 사용하여 저위험 피험자를 모집한 후 선별할 것입니다. 모든 피험자는 보행 속도 > 0.8 m/s를 가지며 작년에 낙상이 없었습니다.

모든 연구 환자는 1시간 세션 동안 실험실(노인학 및 당뇨병 연구 실험실, VGH 연구관)에 옵니다. 각 피험자는 APDM 시스템(Portland, OR)에서 보행 평가를 받는 동안 6분 보행 테스트를 수행합니다. 또한 보행 분석을 위해 원시 비디오 데이터를 측정하는 4개의 비디오 카메라(전면, 후면 및 측면)가 있습니다. 카메라는 얼굴 데이터를 기록하지 않으며(사실 시스템의 'deepfake' 소프트웨어는 모든 얼굴 세부 정보를 삭제함) 환자의 움직임은 시스템에 저장되기 전에 '막대기'로 변환됩니다. 또한 Xethru X4M03 키트는 울트라 측파대 레이더 데이터(UWB)를 수집하는 데 사용됩니다. UWB 레이더는 5.9-10.3에서 작동합니다. GHz, 높은 공간 해상도를 제공합니다. 레이더는 바닥에서 1.5m 위에 위치합니다. 발뒤꿈치-발가락 타격 타이밍 데이터를 수집하기 위해 피험자는 90 × 700cm × 3.2mm의 보도가 있는 GAITRite 시스템(CIR Systems Inc, Franklin, NJ)에서 걸을 것입니다.