图片

该项研究通过应用电子病历（EHR）和机器学习技术，探讨了脑卒中后患者的精准康复。脑卒中或脑血管意外（CVA）是一种严重的健康事件，通常会导致瘫痪和言语障碍等长期残疾。美国每年有超过79.5万人受到影响，因此对有效康复疗法的需求越来越迫切。然而，传统的康复方案由于其通用性，往往无法满足每个患者的独特需求。本研究旨在通过利用从电子病历中中提取的详细患者数据实施个性化康复方法来克服这些局限性。

图片

本项研究的主要目的是确定特定康复训练在改善脑卒中患者功能预后方面的有效性，并利用机器学习开发这类康复效果的预测模型。重点放在两个领域：基本活动能力(BM)和应用认知(AC)。
本研究利用“用于科研的康复信息学基础设施与数据集市”这一工具，采集了美国匹兹堡大学医学中心的265名脑卒中患者的数据。该数据集包括来自非结构化电子病历数据和自由文本康复治疗记录的人口统计信息和康复练习的详细记录。本研究采用自然语言处理（NLP）技术提取相关数据，并利用基于规则的算法收集“急性期后治疗的活动量表”(AM-PAC)评分。

图片

本研究开发了五种机器学习模型来预测患者预后：逻辑回归（LR）、自适应增强（ADB）、支持向量机（SVM）、梯度增强（GB）和随机森林（RF）。由于数据集的大小有限，使用了传统的机器学习方法代替深度学习。根据F1分数、精度、召回率、曲线下面积(AUC)和准确性等指标对这些模型是进行了评估，其中随机森林(RF)模型的性能表现最佳。
统计分析显示，特定康复训练与患者功能改善之间存在显著关联。研究发现，平衡练习在早期阶段显著改善了AC评分，而闭眼和步态运动在后期阶段显著改善了BM评分。弗里德曼和威尔科克森测试用于评估AM-PAC评分随时间变化的意义，证实了在康复的前两个月具有显著改善。

图片

机器学习模型，特别是随机森林（RF）模型在预测患者特定结果方面的成功应用，突显了精准康复的潜力。该研究强调了个性化康复方案的重要性，这类方案能够适应每个患者的独特需求，从而提高脑卒中康复治疗的效率和效果。利用电子病历和自然语言处理来提取和分析非结构化数据是了解和优化康复训练的重大进步。

图片

该研究确定了三种关键的康复运动，它们对脑卒中后的功能恢复有显著贡献。它还证明了机器学习模型在预测康复结果方面的有效性，为更加个性化和精准的康复方案铺平了道路。这些研究结果强调需要量身定制的康复方法，利用先进的数据分析和预测建模技术，最大限度地促成脑卒中患者的功能恢复。