論文の概要: Machine Learning Based Analytics for the Significance of Gait Analysis
in Monitoring and Managing Lower Extremity Injuries
- arxiv url: http://arxiv.org/abs/2309.15990v1
- Date: Wed, 27 Sep 2023 20:12:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 18:57:55.986297
- Title: Machine Learning Based Analytics for the Significance of Gait Analysis
in Monitoring and Managing Lower Extremity Injuries
- Title(参考訳): 下肢外傷のモニタリングと管理における歩行分析の意義に関する機械学習による分析
- Authors: Mostafa Rezapour, Rachel B. Seymour, Stephen H. Sims, Madhav A.
Karunakar, Nahir Habet, Metin Nafi Gurcan
- Abstract要約: この研究は、合併症を予測する教師付き機械学習モデルの習熟度に焦点を当てた。
XGBoostはSMOTEの適用前後で最適なモデルであった。
この結果は、整形外科をデータインフォームドアプローチにシフトさせ、患者の結果を向上させるのに役立つ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study explored the potential of gait analysis as a tool for assessing
post-injury complications, e.g., infection, malunion, or hardware irritation,
in patients with lower extremity fractures. The research focused on the
proficiency of supervised machine learning models predicting complications
using consecutive gait datasets. We identified patients with lower extremity
fractures at an academic center. Patients underwent gait analysis with a
chest-mounted IMU device. Using software, raw gait data was preprocessed,
emphasizing 12 essential gait variables. Machine learning models including
XGBoost, Logistic Regression, SVM, LightGBM, and Random Forest were trained,
tested, and evaluated. Attention was given to class imbalance, addressed using
SMOTE. We introduced a methodology to compute the Rate of Change (ROC) for gait
variables, independent of the time difference between gait analyses. XGBoost
was the optimal model both before and after applying SMOTE. Prior to SMOTE, the
model achieved an average test AUC of 0.90 (95% CI: [0.79, 1.00]) and test
accuracy of 86% (95% CI: [75%, 97%]). Feature importance analysis attributed
importance to the duration between injury and gait analysis. Data patterns
showed early physiological compensations, followed by stabilization phases,
emphasizing prompt gait analysis. This study underscores the potential of
machine learning, particularly XGBoost, in gait analysis for orthopedic care.
Predicting post-injury complications, early gait assessment becomes vital,
revealing intervention points. The findings support a shift in orthopedics
towards a data-informed approach, enhancing patient outcomes.
- Abstract(参考訳): 本研究は,下肢骨折患者の術後合併症,例えば感染症,悪性腫瘍,ハードウェア刺激などを評価するツールとしての歩行分析の可能性を検討した。
本研究は,連続歩行データセットを用いた複雑度予測のための教師付き機械学習モデルの習熟度に着目した。
研究センターで下肢骨折の患者を診察した。
胸部装着型IMU装置を用いて歩行解析を行った。
ソフトウェアを用いて、生の歩行データを前処理し、12の必須歩行変数を強調した。
XGBoost、Logistic Regression、SVM、LightGBM、Random Forestといった機械学習モデルは、トレーニングされ、テストされ、評価された。
クラス不均衡に対する注意が与えられ、SMOTEを使用して対処された。
我々は、歩行分析の時間差によらず、歩行変数に対する変化率(ROC)を計算する手法を導入した。
XGBoostはSMOTEの適用前後で最適なモデルであった。
SMOTE以前のモデルでは平均テストAUCは0.90(95% CI: [0.79, 1.00])、テスト精度は86%(95% CI: [75%, 97%])であった。
特徴の重要度分析は,ケガと歩行分析の期間が重要であった。
データパターンは早期の生理的補償を示し,その後に安定化相を呈し,即時歩行分析を強調した。
本研究は,整形外科治療における歩行解析における機械学習,特にXGBoostの可能性を明らかにする。
術後合併症の予測には,早期歩行評価が不可欠であり,介入点を明らかにする。
以上の結果から, 整形外科がデータ型アプローチへ移行し, 患者の予後が向上することが示唆された。
関連論文リスト
- Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳(メタデータ) (2023-12-31T16:01:48Z) - Symptom-based Machine Learning Models for the Early Detection of
COVID-19: A Narrative Review [0.0]
機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。
本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。
また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
論文 参考訳(メタデータ) (2023-12-08T01:41:42Z) - Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse
Pre-Processing Techniques and Machine Learning Models [0.0]
脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。
本分析の結果は,各モデルの性能を精度で示すものである。
ETモデルは99.29%の精度で最高の性能を示した。
論文 参考訳(メタデータ) (2023-08-06T08:50:08Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Explainable AI and Machine Learning Towards Human Gait Deterioration
Analysis [0.0]
歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。
physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
論文 参考訳(メタデータ) (2023-06-12T14:53:00Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Automatic lesion analysis for increased efficiency in outcome prediction
of traumatic brain injury [12.651451007914124]
本研究は, 日常的に取得した病院入所CTスキャンから抽出したバイオマーカーの予測力について検討した。
我々は,TBI結果予測モデルの拡張のための入力として,病変量とそれに対応する病変統計を用いた。
自動的に抽出された定量的CT特徴は、不利なTBI結果を予測する際にマーシャルスコアと同等かそれ以上に機能することがわかった。
論文 参考訳(メタデータ) (2022-08-08T13:18:35Z) - Survival Prediction of Heart Failure Patients using Stacked Ensemble
Machine Learning Algorithm [0.0]
心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。
データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。
本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
論文 参考訳(メタデータ) (2021-08-30T16:42:27Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳(メタデータ) (2020-07-20T19:08:50Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。