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

• Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
  心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。 広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。 本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
  論文  参考訳（メタデータ） (2024-09-03T07:57:08Z)
• Advanced Meta-Ensemble Machine Learning Models for Early and Accurate Sepsis Prediction to Improve Patient Outcomes [0.0]
  本報告では, 全身性炎症性反応症候群, 早期警戒スコア, クイックシークエンシャル臓器不全評価など, 従来の敗血症スクリーニングツールの限界について検討する。 本稿では,機械学習技術 - ランダムフォレスト, エクストリームグラディエントブースティング, 決定木モデル - を用いて, セプシスの発症を予測することを提案する。 本研究は,これらのモデルについて,精度,精度,リコール,F1スコア,受信器動作特性曲線の下での領域といった重要な指標を用いて,個別かつ組み合わせたメタアンサンブルアプローチで評価する。
  論文  参考訳（メタデータ） (2024-07-11T00:51:32Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• 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)
• Diagnosing Human-object Interaction Detectors [42.283857276076596]
  本稿では,HOI検出モデルの定量的なブレークダウン解析を行うための診断ツールボックスを提案する。 我々は8つの最先端HOI検出モデルを分析し、今後の研究を促進する貴重な診断洞察を提供する。
  論文  参考訳（メタデータ） (2023-08-16T17:39:15Z)
• 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)
• 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。