Machine Learning Groups Patients by Early Functional Improvement Likelihood Based on Wearable Sensor Instrumented Preoperative Timed-Up-and-Go Tests
Notice bibliographique
Résumé
BACKGROUND: Wearable sensors permit efficient data collection and unobtrusive systems can be used for instrumenting knee patients for objective assessment. Machine learning can be leveraged to parse the abundant information these systems provide and segment patients into relevant groups without specifying group membership criteria. The objective of this study is to examine functional parameters influencing favorable recovery outcomes by separating patients into functional groups and tracking them through clinical follow-ups. METHODS: Patients undergoing primary unilateral total knee arthroplasty (n = 68) completed instrumented timed-up-and-go tests preoperatively and at their 2-, 6-, and 12-week follow-up appointments. A custom wearable system extracted 55 metrics for analysis and a K-means algorithm separated patients into functionally distinguished groups based on the derived features. These groups were analyzed to determine which metrics differentiated most and how each cluster improved during early recovery. RESULTS: Patients separated into 2 clusters (n = 46 and n = 22) with significantly different test completion times (12.6 s vs 21.6 s, P < .001). Tracking the recovery of both groups to their 12-week follow-ups revealed 64% of one group improved their function while 63% of the other maintained preoperative function. The higher improvement group shortened their test times by 4.94 s, (P = .005) showing faster recovery while the other group did not improve above a minimally important clinical difference (0.87 s, P = .07). Features with the largest effect size between groups were distinguished as important functional parameters. CONCLUSION: This work supports using wearable sensors to instrument functional tests during clinical visits and using machine learning to parse complex patterns to reveal clinically relevant parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».