利用模态多视图聚类和大语言模型解释下肢骨折老年人康复轨迹

以人类可理解的方式解释大量高维、未标记数据，在多个领域仍然是一个重大挑战。在无监督医疗数据分析中，解释聚类数据可以为患者的健康结果提供有意义的见解，这对医疗保健提供者具有直接影响。本文解决了解释从社区下肢骨折康复的老年患者收集的聚类传感器数据的问题。从患者家中远程收集了总计560天的多模态传感器数据，包括加速度、步数、环境运动、GPS位置、心率和睡眠，以及临床评分。首先分别对每种数据模态进行聚类，以评估从每种模态提取的特征集对患者康复轨迹的影响。然后，利用上下文感知提示，使用大语言模型为从每种模态获得的聚类推断有意义的聚类标签。通过严格的统计检验和与多模态传感器数据同时收集的临床评分的可视化，验证了这些聚类及其相应标签的质量。结果表明，大语言模型生成的大多数特定模态聚类标签相对于临床评分具有统计学显著性，证实了所提出的以无监督方式解释传感器数据方法的有效性。这种仅依赖传感器数据的无监督数据分析方法，使临床医生能够识别高危患者并及时采取措施以改善健康结果。