From Traditional to Transformative: Gait Analysis With Wearable Technology and Machine Learning in CSVD Diagnosis and Research
Notice bibliographique
Résumé
Background: Cerebral small vessel disease (CSVD) often manifests with gait impairment, a critical yet overlooked aspect of early disease progression. Our study is aimed at leveraging wearable sensors and machine learning to analyse gait characteristics, providing a cost‐effective and scalable method for early CSVD diagnosis. Methods: We collected baseline and gait data from 115 individuals diagnosed with CSVD and 120 community healthy controls. All participants underwent a quantitative gait assessment utilizing the wearable device Ambulosono. The study applied an affordable digital 6‐min walk test (6MWT) for standardized assessment, employing machine learning to build a prediction model. Results: Traditional binary logistic regression statistical analysis revealed that the most distinguished gait thresholds during a 6‐min walk were walking speed (≤ 70.34 m/min; sensitivity 0.625, specificity 0.791, AUC 0.760) and cadence (≤ 117.45; sensitivity 0.658, specificity 0.748, AUC 0.738). Gait variability was not statistically significantly different. Compared with traditional statistics, the machine learning model greatly improved the ability of gait characteristics to predict CSVD. We used a random forest model to train the selected features, and the AUC of the CSVD prediction mode increased from 0.83 to 0.94 ( p = 0.006 DeLong’s test), with 82% accuracy, 78% specificity, 86% sensitivity, 79% precision, and an F 1‐score of 0.82. Conclusions: Our findings underscore the innovative application of gait features and machine learning in CSVD diagnosis. The integration of the affordable digital 6MWT gait tool with machine learning represents a promising approach for early detection and large‐scale population screening.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».