Vergelijking van een door kunstmatige intelligentie ondersteund revalidatieprogramma voor schoudermusculoskeletale aandoeningen en de klinische besluitvorming van therapeuten

Mensen met schouder-musculoskeletale aandoeningen van middelbare en oudere volwassenen hebben de grootste behoefte aan revalidatiediensten. De bevolkingsgroei en de vergrijzing van de samenleving verhogen vervolgens het aantal gehandicapten, de zorgkosten en de behoefte aan zorgprofessionals. Er is bewijs voor het gunstige effect van oefeningen op het functioneren en de kwaliteit van leven. Traditioneel wordt een revalidatieprogramma ontworpen door therapeuten voor elke patiënt, afhankelijk van hun toestand. De laatste jaren wordt AI steeds meer toegepast in de fysische en revalidatiegeneeskunde, maar er is geen onderzoek gedaan naar het toepassen van AI bij het voorspellen van revalidatieprogramma's voor schouder-musculoskeletale aandoeningen. Het belangrijkste doel van deze studie is om de mogelijkheden te verkennen van het gebruik van gesuperviseerde machine learning-benadering om revalidatieprogramma's voor schouder-musculoskeletale aandoeningen te voorspellen. Drieëntwintig kenmerken worden geïdentificeerd op basis van bewegingsbereik van de schouder, pijn, al dan niet chirurgische ingreep. Elke oefening wordt beschouwd als een label met in totaal vijfentwintig oefeningen. Dataset wordt verzameld door klinisch therapeuten om het model te ontwikkelen en te trainen. Elke patiënt moet minimaal twee maanden revalideren en twee keer worden geëvalueerd. Logistische regressie, support vector machine en random forest worden gebruikt om het rekenmodel te bouwen. Nauwkeurigheid, precisie, herinnering, F-1-score en AUC worden gebruikt om de prestaties van het rekenmodel bij machine learning te evalueren. Na de training vergelijken we de consistentie van revalidatieprogramma's die worden voorspeld met behulp van het machine learning-model en de klinische besluitvorming van therapeuten.