使用随机森林机器学习的无创急性骨筋膜室综合征诊断
机器学习
2024-02-14 v3 信号处理
医学物理
摘要
急性骨筋膜室综合征（ACS）是一种骨科急症，由肌筋膜室内压力升高引起，会导致永久性组织损伤甚至死亡。ACS 的诊断严重依赖患者主诉症状，该方法在临床上不可靠，且常辅以侵入性筋膜室内压力测量，而该测量在运动环境中易发生故障。本研究提出了一种客观且无创的 ACS 诊断方法。该设备通过随机森林机器学习模型检测 ACS，该模型使用放置在皮肤上的力敏电阻（FSR）的替代压力读数。为验证该诊断方法，针对运动和静止场景创建了一个包含 FSR 测量值及相应模拟筋膜室内压力的数据集。该诊断方法准确率高达 98%。该设备在灵敏度和特异性等关键性能指标上表现优异，且在有运动存在的病例中性能差异不具有统计学意义。该设备制造成本为 73 美元，可能是一种具有成本效益的解决方案。这些结果证明了无创 ACS 诊断在实际环境中达到临床准确性标准的潜力。
引用
@article{arxiv.2401.10386,
title = {Noninvasive Acute Compartment Syndrome Diagnosis Using Random Forest Machine Learning},
author = {Zaina Abu Hweij and Florence Liang and Sophie Zhang},
journal= {arXiv preprint arXiv:2401.10386},
year = {2024}
}