Machine learning and wearable sensors at preoperative assessments: Functional recovery prediction to set realistic expectations for knee replacements
Notice bibliographique
Résumé
Unmet expectations contribute to a high patient dissatisfaction rate following total knee replacement but clinicians currently do not have the tools to confidently adjust expectations. In this study, supervised machine learning was applied to multi-variate wearable sensor data from preoperative timed-up-and-go tests. Participants (n=82) were instrumented three months after surgery and patients showing relevant improvement were designated as "responders" while the remainder were labelled "maintainers". Support vector machine, naïve Bayes, and random forest binary classifiers were developed to distinguish patients using sensor-derived features. Accuracy, sensitivity, specificity, and area under the receiver-operator curve (AUC) were compared between models using ten-fold out-of-sample testing. A high performance using only sensor-derived functional metrics was obtained with a random forest model (accuracy = 0.76 ± 0.11, sensitivity = 0.87 ± 0.08, specificity = 0.57 ± 0.26, AUC = 0.80 ± 0.14) but highly sensitive models were observed using naïve Bayes and SVM models after including patient age, sex, and BMI into the feature set (accuracy = 0.72, 0.73 ± 0.09, 0.12; sensitivity = 0.94, 0.95 ± 0.11, 0.11; specificity = 0.35, 0.37 ± 0.20, 0.18; AUC = 0.80, 0.74 ± 0.07, 0.11; respectfully). Including select patient-reported subjective measures increased the top random forest performance slightly (accuracy = 0.80 ± 0.10, sensitivity = 0.91 ± 0.14, specificity = 0.62 ± 0.23, AUC = 0.86 ± 0.09). The current work has demonstrated that prediction models developed from preoperative sensor-derived functional metrics can reliably predict expected functional recovery following surgery and this can be used by clinicians to help set realistic patient expectations.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».