Previsão do risco de queda em pacientes com AVC usando um modelo de aprendizado de máquina e dados multissensor

Objetivo: O objetivo principal é desenvolver e validar um modelo baseado em aprendizado de máquina que usa sinais multissensor (EMG) para identificar pacientes com AVC com alto risco de quedas. Este modelo visa melhorar as avaliações tradicionais de risco de queda, que dependem fortemente de avaliações físicas e do histórico do paciente.

Desenho do estudo: Este é um ensaio clínico prospectivo, multicêntrico, aberto e confirmatório. Envolve a coleta de dados EMG de pacientes com AVC e a aplicação de técnicas de aprendizado de máquina para prever o risco de queda. O estudo irá comparar a precisão preditiva do modelo de aprendizado de máquina com as ferramentas convencionais de avaliação de risco de queda.

Métodos:

1. Participantes:

   • Tamanho da amostra: 80 pacientes com AVC e 10 adultos saudáveis ​​para estabelecer leituras EMG iniciais.

2. Intervenções:

   • Os participantes serão submetidos à coleta de sinais EMG dos principais músculos dos membros inferiores enquanto realizam movimentos padronizados.

3. Medidas de resultado:

   • Resultado primário: Sensibilidade e especificidade do modelo de aprendizado de máquina na previsão de pacientes com queda de alto risco.
   • Resultados Secundários: Comparação do desempenho preditivo do modelo de aprendizado de máquina com ferramentas tradicionais de avaliação de risco de queda (por exemplo, Escala de Equilíbrio de Berg).

Coleção de dados:

• Sensores EMG serão fixados nos músculos dos membros inferiores dos pacientes. Os sensores registrarão a atividade muscular durante o movimento, que será então analisada usando o modelo de aprendizado de máquina.
• O modelo preditivo será treinado usando recursos extraídos dos sinais EMG, e seu desempenho será validado em relação a incidentes de queda reais relatados durante o período de acompanhamento.

Análise Estatística:

• A eficácia do modelo de aprendizado de máquina será medida através de sua sensibilidade (capacidade de identificar corretamente pacientes de alto risco) e especificidade (capacidade de identificar corretamente pacientes de baixo risco).
• Curvas de característica operacional do receptor (ROC) e estatísticas de área sob a curva (AUC) serão usadas para avaliar o desempenho do modelo.