Metode mašinskog učenja za predviđanje i prognozu funkcionalnog oporavka u rehabilitaciji nakon moždanog udara: sistematski pregled.
Journal of neuroengineering and rehabilitation
Sažetak istraživanja
Pozadina Rehabilitacijska medicina se suočava s novom razvojnom fazom zahvaljujući nedavnom talasu rigoroznih kliničkih ispitivanja usmjerenih na poboljšanje naučnih dokaza protokola. Očekuje se da će ovaj fenomen, u kombinaciji s novim trendovima u personaliziranim medicinskim terapijama, dramatično promijeniti kliničku praksu. Nova oblast rehabilitacije je moguća samo ako su metodologije zasnovane na prikupljanju i analizi biomedicinskih podataka. U tom okviru, cilj ovog rada je razviti sistematski pregled algoritama mašinskog učenja kao rješenja za predviđanje oporavka motoričke funkcije pacijenata nakon moždanog udara nakon liječenja.
Metode Proveli smo sveobuhvatnu pretragu pet elektronskih baza podataka koristeći format pacijenata, intervencije, poređenja i ishoda (PICO). Izdvojili smo zdravstvene uslove, karakteristike populacije, procijenjene ishode, metodu izdvajanja i odabira karakteristika, korišteni algoritam i pristup validaciji. Metodološki kvalitet uključenih studija procijenjen je korištenjem alata za procjenu rizika pristrasnosti modela predviđanja (PROBAST). Urađen je kvalitativni opis karakteristika uključenih studija, kao i narativna sinteza podataka.
Rezultati Ukupno je uključeno 19 primarnih studija. Prediktori koji su najčešće korišteni pripadali su oblastima demografskih karakteristika i procjene moždanog udara putem kliničkog pregleda. Što se tiče metoda, linearne i logističke regresije su bile najčešće korištene, a unakrsna validacija je bila preferirani pristup validaciji.
Zaključci Identifikovali smo nekoliko metodoloških ograničenja: male veličine uzorka, ograničen broj pristupa eksternoj validaciji i visoka heterogenost između ulaznih i izlaznih varijabli. Iako su ovi elementi spriječili kvantitativno poređenje među modelima, definirali smo najčešće korištene modele s određenim ishodom, dajući korisne indikacije za primjenu složenijih algoritama strojnog učenja u rehabilitacijskoj medicini.
Prikaži originalni naslov i sažetak na engleskom
Machine learning methods for functional recovery prediction and prognosis in post-stroke rehabilitation: a systematic review.
Background Rehabilitation medicine is facing a new development phase thanks to a recent wave of rigorous clinical trials aimed at improving the scientific evidence of protocols. This phenomenon, combined with new trends in personalised medical therapies, is expected to change clinical practice dramatically. The emerging field of Rehabilomics is only possible if methodologies are based on biomedical data collection and analysis. In this framework, the objective of this work is to develop a systematic review of machine learning algorithms as solutions to predict motor functional recovery of post-stroke patients after treatment.
Methods We conducted a comprehensive search of five electronic databases using the Patient, Intervention, Comparison and Outcome (PICO) format. We extracted health conditions, population characteristics, outcome assessed, the method for feature extraction and selection, the algorithm used, and the validation approach. The methodological quality of included studies was assessed using the prediction model risk of bias assessment tool (PROBAST). A qualitative description of the characteristics of the included studies as well as a narrative data synthesis was performed.
Results A total of 19 primary studies were included. The predictors most frequently used belonged to the areas of demographic characteristics and stroke assessment through clinical examination. Regarding the methods, linear and logistic regressions were the most frequently used and cross-validation was the preferred validation approach.
Conclusions We identified several methodological limitations: small sample sizes, a limited number of external validation approaches, and high heterogeneity among input and output variables. Although these elements prevented a quantitative comparison across models, we defined the most frequently used models given a specific outcome, providing useful indications for the application of more complex machine learning algorithms in rehabilitation medicine.
Izvorni podaci
- DOI
- 10.1186/s12984-022-01032-4
- PMID
- 35659246
- PMCID
- PMC9166382
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom