.png){kind=icon}
返回
Frailty identification using a sensor-based upper-extremity function test: a deep learning approach
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-024-73854-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全球老年人口的增长凸显了有效脆弱性评估的必要性，这是一种与住院和死亡率等不良健康结果相关的状况。现有的脆弱性评估工具（如Fried表型和Rockwood评分）存在实际局限性，需要更高效的方法。本研究旨在通过结合生物力学和深度学习的方法提高老年人脆弱性预测的准确性。我们招募了312名参与者（126名非脆弱、145名前脆弱、41名脆弱），并使用Fried指数、上肢功能（UEF）测试和肌肉力量计算评估脆弱性。机器学习（ML）模型，包括逻辑回归和支持向量机（SVM），与长短期记忆（LSTM）网络的深度学习一起使用。结果表明，纳入肌肉模型参数显著提高了脆弱性预测的准确性。LSTM模型实现了最高的准确率（74%），优于SVM（67%）和回归模型（66%），其精确率和F1评分分别为81%和75%。值得注意的是，肌肉协同收缩作为一个关键预测因子出现，脆弱个体表现出显著更高的水平。我们的发现表明，将上肢功能任务与深度学习模型相结合可提供更优越的脆弱性预测，可能提供一种强大、高效的临床工具。然而，需要进一步在更大、更多样化的人群中进行验证，以确认结果的普适性。本研究强调了先进计算技术在改善老年人脆弱性识别和监测方面的潜力。
Keyword:
Frailty assessment
Long short-term memory (LSTM)
Deep learning
Muscle co-contraction
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
A Deep Learning Approach for TUG and SPPB Score Prediction of (Pre-) Frail Older Adults on Real-Life IMU Data.png)
HEALTHCARE
OAAI
HEALTHCAREIF2.7
OAAI分享收藏Trunk Muscle Co-contraction Increases During Fatiguing, Isometric, Lateral Bend ExertionsSpine
SpineIF0
PREAI
分享收藏Nonlinear analysis of the movement variability structure can detect aging-related differences among cognitively healthy individuals对运动变异结构进行非线性分析可以检测认知健康个体之间的年龄相关差异OAAI
OAAI分享收藏Assessing upper-extremity motion: An innovative method to quantify functional capacity in patients with chronic obstructive pulmonary diseasePLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏
查看更多内容