基于电子健康记录和机器学习的中风后康复精准医疗
机器学习
2024-05-13 v1 人工智能
摘要
本研究利用统计分析和机器学习方法，检验康复练习是否能改善中风患者的功能能力，以及预测功能能力的改善程度。我们的数据集来自美国匹兹堡大学医疗中心为265名中风患者收集的电子健康记录（EHRs）中记录的康复练习和人口学信息，以及自由文本康复程序记录。我们采用现有的自然语言处理（NLP）算法提取康复练习数据，并开发了基于规则的 NLP 算法从记录中提取活动后急性护理测量（Activity Measure for Post-Acute Care, AM-PAC）分数，涵盖基本移动（BM）和应用认知（AC）领域。根据最小临床重要差异（MCID），将 AM-PAC 分数的变化分类，并使用 Friedman 检验和 Wilcoxon 检验进行显著性评估。为识别有影响的练习，我们使用 Chi-square 检验、Fisher 精确检验和 logistic 回归计算优势比。此外，我们发展了五种机器学习模型——logistic 回归（LR）、Adaboost（ADB）、支持向量机（SVM）、梯度提升（GB）和随机森林（RF）——来预测功能结果。统计分析揭示了功能改善与特定练习之间的显著相关性。RF 模型在预测功能结果方面取得了最佳性能。本研究确定了三项显著贡献于中风患者功能能力改善的康复练习，发生在发病后两个月内。此外，成功地将机器学习模型应用于预测患者特定功能结果，凸显了精准康复的潜力。
引用
@article{arxiv.2405.05993,
title = {Precision Rehabilitation for Patients Post-Stroke based on Electronic Health Records and Machine Learning},
author = {Fengyi Gao and Xingyu Zhang and Sonish Sivarajkumar and Parker Denny and Bayan Aldhahwani and Shyam Visweswaran and Ryan Shi and William Hogan and Allyn Bove and Yanshan Wang},
journal= {arXiv preprint arXiv:2405.05993},
year = {2024}
}