Przewidywanie ryzyka upadku u pacjentów po udarze mózgu przy użyciu modelu uczenia maszynowego i danych pochodzących z wielu czujników

Cel: Głównym celem jest opracowanie i walidacja modelu opartego na uczeniu maszynowym, który wykorzystuje sygnały wieloczujnikowe (EMG) do identyfikacji pacjentów po udarze z wysokim ryzykiem upadków. Model ten ma na celu ulepszenie tradycyjnych ocen ryzyka upadku, które w dużym stopniu opierają się na ocenie fizykalnej i historii pacjenta.

Projekt badania: Jest to prospektywne, wieloośrodkowe, otwarte, potwierdzające badanie kliniczne. Polega na zbieraniu danych EMG od pacjentów po udarze i stosowaniu technik uczenia maszynowego w celu przewidywania ryzyka upadku. W badaniu porównana zostanie dokładność predykcyjna modelu uczenia maszynowego z konwencjonalnymi narzędziami oceny ryzyka upadku.

Metody:

1. Uczestnicy:

   • Wielkość próby: 80 pacjentów po udarze i 10 zdrowych dorosłych w celu ustalenia wyjściowych odczytów EMG.

2. Interwencje:

   • Podczas wykonywania standardowych ruchów uczestnicy zostaną pobrani sygnał EMG z kluczowych mięśni kończyn dolnych.

3. Mierniki rezultatu:

   • Główny wynik: Czułość i swoistość modelu uczenia maszynowego w przewidywaniu przypadków upadku wysokiego ryzyka.
   • Wyniki drugorzędne: Porównanie wydajności predykcyjnej modelu uczenia maszynowego z tradycyjnymi narzędziami oceny ryzyka upadku (np. Skala Równowagi Berga).

Zbieranie danych:

• Do mięśni kończyn dolnych pacjentów zostaną przymocowane czujniki EMG. Czujniki będą rejestrować aktywność mięśni podczas ruchu, która następnie będzie analizowana przy użyciu modelu uczenia maszynowego.
• Model predykcyjny zostanie wytrenowany przy użyciu funkcji wyodrębnionych z sygnałów EMG, a jego działanie zostanie zweryfikowane w oparciu o rzeczywiste przypadki upadków zgłoszone w okresie obserwacji.

Analiza statystyczna:

• Skuteczność modelu uczenia maszynowego będzie mierzona poprzez jego czułość (zdolność do prawidłowej identyfikacji pacjentów wysokiego ryzyka) i swoistość (zdolność do prawidłowej identyfikacji pacjentów niskiego ryzyka).
• Krzywe charakterystyki działania odbiornika (ROC) i statystyki obszaru pod krzywą (AUC) zostaną wykorzystane do oceny wydajności modelu.