Artikel
Einschätzung der Physical Frailty bei orthogeriatrischen Patienten aus Nicht-Mobilitätsdaten mit Hilfe eines AI-powered Clinical-decision-support-Systems
Suche in Medline nach
Autoren
Veröffentlicht: | 24. Juni 2022 |
---|
Gliederung
Text
Fragestellung: Die korrekte Einschätzung der individuellen körperlichen Leistungsfähigkeit spielt vor allem bei orthogeriatrischen Patienten eine wichtige Rolle. Um den Zustand dieser körperlichen Fähigkeiten auch bei akut immobilisierten Patienten, aufgrund von Fraktur, beurteilen zu können, war das Ziel der vorliegenden Studie, die körperliche Gebrechlichkeit bei Patienten ohne direkte Messung von Bewegungsdaten zu bewerten.
Methodik: Zu diesem Zweck wurden 87 Variablen von 95 Patienten erhoben und anschließend zum Trainieren der drei Klassifizierungsalgorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, k-nearest-neighbors) verwendet. Die Variablen wurden in verschiedene Untergruppen aufgeteilt und die daraus resultierenden Modelle wurden hinsichtlich ihrer Fläche unter der Reciever-Operator-Kurve verglichen.
Ergebnisse und Schlussfolgerung: Der Random Forest, bei dem der gesamte Variablensatz für die Modellerstellung verwendet wurde, erwies sich mit einer Fläche unter der Kurve von 0,95 als der beste Algorithmus. Für die objektive Bewertung komplexer, multifaktorieller Syndrome wie der körperlichen Gebrechlichkeit ist es von großer Bedeutung, eine große Anzahl verschiedener Parameter zu erfassen und gründlich auszuwerten. Der Einsatz von maschinellen Lernalgorithmen so genannten ‚AI-powered Clinical-Decision-Support-Systems’ bietet daher eine sehr gute Möglichkeit, Ärzte bei der Diagnose und Therapieauswahl zu unterstützen und die Behandlungssicherheit zu erhöhen, insbesondere in der Altersmedizin, wo oft eine Vielzahl von Einflussfaktoren für einen Patienten bewertet werden muss.