一个来自Spaulding运动分析实验室的团队康复医院出版了《使精确康复干预使用可穿戴式传感器和机器学习跟踪电机恢复”的最新一期自然数字医学.本研究的目的是为“精准康复”干预方案的设计奠定基础可穿戴追踪脑损伤患者运动恢复的技术。研究发现,该技术适合准确跟踪运动恢复,从而允许临床医生选择更有效的干预措施,并改善结果。这项研究是由运动分析实验室的学生和以前的学生在教师指导下合作完成的。
Spaulding运动分析实验室主任、该研究的资深作者保罗·博纳托博士说,“通过向临床医生提供精确的数据,他们将能够设计更有效的干预措施,以改善我们提供的医疗服务。我们实验室有这么多有才华的年轻科学家和研究人员合作撰写这篇有意义的论文,这对我们所有支持我们正在进行的研究事业的教员来说尤其令人满意。”博纳托还是哈佛怀斯生物灵感工程研究所的副教授。
Catherine Adans Dester,P.T.,博士,博纳托博士团队的一名成员,是该手稿的主要作者。“当人们考虑到临床研究通常只报告部分参与者的运动功能获得令人满意时,开发针对患者的干预措施的必要性显而易见,这表明如果我们有更好的工具来开发针对患者的干预措施,临床结果可能会得到改善。使用可穿戴传感器收集的数据提供了临床医生有机会这样做,对临床医生和患者的负担很小,”Adans Dester博士说。本文提出的方法依赖于机器学习-基于算法,从功能性运动任务期间收集的可穿戴传感器数据中得出临床评分估计值。传感器-基于评分的估计结果与临床医生得出的结果有很强的一致性。
研究结果表明,可穿戴传感器数据可用于获得临床评分的准确估计,用于临床捕捉运动损伤的严重程度和上肢运动模式的质量。在本研究中,上肢Fugl-Meyer Assessment (FMA)量表用于生成运动损伤严重程度的临床评分,功能能力量表(FAS)用于生成运动质量的临床评分。可穿戴传感器数据(即加速度计数据)在执行从沃尔夫运动功能测试的8个功能性运动任务时收集,从而提供一个大手臂运动和精细运动控制任务的样本。开发了基于机器学习的算法,从传感器数据中获得FMA和FAS临床评分的准确估计。共有37名研究参与者(16名中风幸存者和21名创伤性脑损伤幸存者)参与了这项研究。
来源:哈佛大学怀斯研究所