1103 Gait Analysis Using Wearables and AI in Predicting Peripheral Arterial Disease: A Systematic Review
Notice bibliographique
Résumé
Abstract Introduction Peripheral arterial disease (PAD) affects over 230 million people globally. The trajectory of this disease process can culminate in major amputation. These patients demonstrate statistically significant changes in gait including changes in stride length, plantarflexion and other spatiotemporal parameters. Aim To determine if alterations in gait parameters can be detected and measured accurately by wearables and AI in PAD patients and if these measurements are predictive of PAD progression. Method A systematic review was performed in line with PRISMA guidelines. MEDLINE, Embase, Web of Science and Scopus were used for database searches. A combination of medical subject headings (MeSH) regarding ‘PAD’, ‘gait’, ‘kinetics’, ‘biomechanics’, ‘ambulation’, ‘artificial intelligence’, ‘sensors’ and ‘smartphone data’ were employed in the primary search string. Screening, full text reviews and data extraction was conducted by 2 reviewers using Covidence. Bias was assessed using the Newcastle-Ottawa scale. Results 4719 studies were identified. 3873 were screened after de-duplication. 5 studies were included in the final review. The main methods of gait measurements included smartphones (iPhone and Samsung Galaxy), wearable sensors and motion sensor technology. Gait initiation parameters were sensitive in detecting gait impairment. iPhone pedometer demonstrated accuracy measuring steps comparable to reference Actigraph but was inaccurate measuring distance. Machine learning models including Random Forest algorithms and extreme gradient boosting, detected PAD patients with 89% and 92% accuracy respectively. Conclusions Wearables and AI algorithms can detect gait changes and differentiate PAD from non-PAD gait. All studies showed detective capability, however none demonstrated predictability of PAD. Limitations include accuracy and validation of measurement methods.
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 | 0,007 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».