Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Công nghệ túi khí đeo được và các mô hình học máy nhằm giảm thiểu nguy cơ té ngã sau đột quỵ
Tóm tắt
Ngã là một biến chứng phổ biến xảy ra sau đột quỵ và có thể gây ra những tác động nghiêm trọng đến sức khỏe thể chất và khả năng di chuyển xã hội, do đó cần can thiệp khẩn cấp. Trong số những tiến bộ gần đây, công nghệ túi khí đeo được đã được thiết kế để phát hiện và giảm thiểu tác động của ngã. Tuy nhiên, các thiết bị này chưa được thiết kế hay xác nhận cho nhóm người có tiền sử đột quỵ, do đó có thể không phát hiện chính xác ngã ở những cá nhân có rối loạn vận động liên quan đến đột quỵ. Để khắc phục khoảng trống này, chúng tôi đã nghiên cứu liệu có cần dữ liệu đào tạo và tham số mô hình riêng cho từng nhóm dân số để phát hiện trước ngã trong nhóm bệnh nhân đột quỵ mãn tính hay không. Chúng tôi đã thu thập dữ liệu từ các đơn vị đo lường quán tính (IMUs) của túi khí đeo được từ những cá nhân có (n = 20 đột quỵ) và không có (n = 15 kiểm soát) tiền sử đột quỵ trong khi thực hiện một loạt các cú ngã (tổng cộng 842 cú ngã) và không ngã (tổng cộng 961 không ngã) trong một môi trường phòng thí nghiệm. Một phương pháp cross-validation bỏ một chủ thể đã được dùng để so sánh hiệu suất của hai mô hình học máy giống nhau (bộ phân loại adaptive boosting) được đào tạo trên dữ liệu phụ thuộc vào nhóm (kiểm soát hoặc đột quỵ) để phát hiện trước cú ngã trong nhóm đột quỵ. Hiệu suất trung bình của mô hình được đào tạo trên dữ liệu đột quỵ (recall = 0.905, precision = 0.900) có độ nhạy (recall) tốt hơn đáng kể (P = 0.0035) so với mô hình được đào tạo trên dữ liệu kiểm soát (recall = 0.800, precision = 0.944), trong khi độ chính xác (precision) không có sự khác biệt rõ rệt về mặt thống kê. Việc phân tầng các mô hình được đào tạo trên các loại ngã cụ thể cho thấy sự khác biệt trong việc phát hiện trước những cú ngã hướng trước-sau (AP) (điểm F1 của mô hình đào tạo trên dữ liệu đột quỵ cao hơn 35%, P = 0.019). Sử dụng các hoạt động sinh hoạt hàng ngày làm dữ liệu đào tạo không ngã (so với gần như ngã) đã tăng đáng kể AUC (Diện tích dưới đường đặc trưng của nhận dạng) cho việc phân loại ngã AP cho cả hai mô hình (P < 0.04). Phân tích sơ bộ cho thấy những người dùng có rối loạn vận động nặng hơn do đột quỵ có lợi ích nhiều hơn từ mô hình được đào tạo cho đột quỵ. Thời gian dẫn tối ưu (khoảng thời gian trước khi va chạm để phát hiện ngã) khác nhau giữa các mô hình được đào tạo trên dữ liệu kiểm soát và dữ liệu đột quỵ. Những kết quả này chứng minh tầm quan trọng của độ nhạy đối với từng nhóm dân số, dữ liệu không ngã, và thời gian dẫn tối ưu cho việc phát hiện ngã trước va chạm bằng công nghệ học máy cụ thể cho bệnh nhân đột quỵ. Các công nghệ hiện có nhằm giảm thiểu nguy cơ ngã cần được thách thức để bao gồm dữ liệu của những người bị rối loạn thần kinh trong phát triển mô hình để phát hiện chính xác ngã ở các nhóm dân số có nguy cơ té ngã cao khác. Đăng ký thử nghiệm
https://clinicaltrials.gov/ct2/show/NCT05076565
; Mã định danh duy nhất: NCT05076565. Đăng ký hồi cứu vào ngày 13 tháng 10 năm 2021.
Từ khóa
Tài liệu tham khảo
Feigin VL, Krishnamurthi RV, Theadom AM, Abajobir AA, Mishra SR, Ahmed MB, et al. Global, regional, and national burden of neurological disorders during 1990–2015: a systematic analysis for the Global Burden of Disease Study 2015. Lancet Neurol. 2017;16:877–97.
Lindsay MP, Norrving B, Sacco RL, Brainin M, Hacke W, Martins S, et al. World Stroke Organization (WSO): Global Stroke Fact Sheet 2019. Int J Stroke. 2019;14:806–17.
Ashburn A, Hyndman D, Pickering R, Yardley L, Harris S. Predicting people with stroke at risk of falls. Age Ageing. 2008;37:270–6.
Langhorne P, Stott DJ, Robertson L, MacDonald J, Jones L, McAlpine C, et al. Medical complications after stroke: a multicenter study. Stroke. 2000;31:1223–9.
Xu T, Clemson L, O’Loughlin K, Lannin NA, Dean C, Koh G. Risk factors for falls in community stroke survivors: a systematic review and meta-analysis. Arch Phys Med Rehabil. 2018;99(3):563–73.
Schmid AA, Klar Yaggi H, Burrus N, McClain V, Austin C, Ferguson J, et al. Circumstances and consequences of falls among people with chronic stroke. J Rehabil Res Dev. 2013;50:1277–86.
World Health Organization. Global health estimates 2016: estimated deaths by age, sex and cause. 2018.
Schmid AA, Rittman M. Fear of falling: an emerging issue after stroke. Top Stroke Rehabil. 2007;14:46–55.
Andersson ÅG, Kamwendo K, Appelros P. Fear of falling in stroke patients: relationship with previous falls and functional characteristics. Int J Rehabil Res. 2008;31:261–4.
Stevens JA, Corso PS, Finkelstein EA, Miller TR. The costs of fatal and non-fatal falls among older adults. Inj Prev. 2006;12:290–5.
Carroll NV, Slattum PW, Cox FM. The cost of falls among the community-dwelling elderly. J Manag Care Pharm. 2005;11:307–16.
Bh A, Fp R, Me W. The cost and frequency of hospitalization for fall-related injuries in older adults. Am J Public Health. 1992;82:1020–3.
Stevens JA, Burns E. A CDC Compendium of effective fall interventions. 2015.
Denissen S, Staring W, Kunkel D, Pickering RM, Lennon S, Geurts AC, et al. Interventions for preventing falls in people after stroke. Cochrane Database Syst Rev. 2019;10(10):CD008728.
Van Schoor NM, Smit JH, Twisk JWR, Bouter LM, Lips P. Prevention of hip fractures by external hip protectors: a randomized controlled trial. J Am Med Assoc. 2003;289:1957–62.
Santesso N, Carrasco-Labra A, Brignardello-Petersen R. Hip protectors for preventing hip fractures in older people. Cochrane Database Syst Rev. 2014. https://doi.org/10.1002/14651858.CD001255.pub5.
Tamura T, Yoshimura T, Sekine M, Uchida M, Tanaka O. A wearable airbag to prevent fall injuries. IEEE Trans Inf Technol Biomed. 2009;13:910–4.
Fukaya K, Uchida M. Protection against impact with the ground using wearable airbags. Ind Health. 2008;46:59–65.
Shi G, Chan CS, Li WJ, Leung KS, Zou Y, Jin Y. Mobile human airbag system for fall protection using mems sensors and embedded SVM classifier. IEEE Sens J. 2009;9:495–503.
Ahn S, Choi D, Kim J, Kim S, Jeong Y, Jo M, et al. Optimization of a pre-impact fall detection algorithm and development of hip protection airbag system. Sensors Mater. 2018;30:1743–52.
Rescio G, Leone A, Siciliano P. Supervised machine learning scheme for electromyography-based pre-fall detection system. Expert Syst Appl. 2018;100:95–105.
Zhen T, Mao L, Wang J, Gao Q. Wearable preimpact fall detector using SVM. Proc Int Conf Sens Technol ICST. 2016;1–6.
Aziz O, Russell CM, Park EJ, Robinovitch SN. The effect of window size and lead time on pre-impact fall detection accuracy using support vector machine analysis of waist mounted inertial sensor data. 2014 36th Annu Int Conf IEEE Eng Med Biol Soc EMBC 2014. Institute of Electrical and Electronics Engineers Inc.; 2014. p. 30–3.
Zurbuchen N, Wilde A, Bruegger P. A machine learning multi-class approach for fall detection systems based on wearable sensors with a study on sampling rates selection. Sensors. 2021;21:938.
Leone A, Rescio G, Siciliano P. Fall risk evaluation by surface electromyography technology. 2017 Int Conf Eng Technol Innov Eng Technol Innov Manag Beyond 2020 New Challenges, New Approaches, ICE/ITMC 2017 - Proc. 2018.
do Garcia FV, da Cunha MJ, Schuch CP, Schifino GP, Balbinot G, Pagnussat AS. Movement smoothness in chronic post-stroke individuals walking in an outdoor environment—a cross-sectional study using IMU sensors. PLoS ONE. 2021;16: e0250100
Kao PC, Dingwell JB, Higginson JS, Binder-Macleod S. Dynamic instability during post-stroke hemiparetic walking. Gait Posture. 2014;40:457–63.
Ds M, Jj E. Altered timing of postural reflexes contributes to falling in persons with chronic stroke. Exp brain Res. 2006;171:459–68.
Honeycutt CF, Nevisipour M, Grabiner MD. Characteristics and adaptive strategies linked with falls in stroke survivors from analysis of laboratory-induced falls. J Biomech. 2016;49:3313–9.
Punt M, Bruijn SM, van Schooten KS, Pijnappels M, van de Port IG, Wittink H et al. Characteristics of daily life gait in fall and non fall-prone stroke survivors and controls. J Neuroeng Rehabil. 2016;13:67
Salot P, Patel P, Bhatt T. Reactive Balance in Individuals With Chronic Stroke: Biomechanical Factors Related to Perturbation-Induced Backward Falling [Internet]. 2016. https://academic.oup.com/ptj/article/96/3/338/2686536
Patel PJ, Bhatt T. Does aging with a cortical lesion increase fall-risk: examining effect of age versus stroke on intensity modulation of reactive balance responses from slip-like perturbations. Neuroscience. 2016;333:252–63.
Joshi M, Patel P, Bhatt T. Reactive balance to unanticipated trip-like perturbations: a treadmill-based study examining effect of aging and stroke on fall risk. Int Biomech. 2018;5:75–87.
Dusane S, Gangwani R, Patel P, Bhatt T. Does stroke-induced sensorimotor impairment and perturbation intensity affect gait-slip outcomes? J Biomech. 2021;118:110255.
Albert MV, Toledo S, Shapiro M, Koerding K. Using mobile phones for activity recognition in Parkinson’s Patients. Front Neurol. 2012;3:158.
Albert MV, Azeze Y, Courtois M, Jayaraman A. In-lab versus at-home activity recognition in ambulatory subjects with incomplete spinal cord injury. J Neuroeng Rehabil. 2017;14:1–6.
Sok P, Xiao T, Azeze Y, Jayaraman A, Albert MV. Activity recognition for incomplete spinal cord injury subjects using hidden markov models. IEEE Sens J. 2018;18:6369–74.
O’Brien MK, Shawen N, Mummidisetty CK, Kaur S, Bo X, Poellabauer C, et al. Activity recognition for persons with stroke using mobile phone technology: toward improved performance in a home setting. J Med Internet Res. 2017;19:e184.
World Health Organization. Falls. 2021;
Shawen N, Lonini L, Mummidisetty CK, Shparii I, Albert MV, Kording K, et al. Fall detection in individuals with lower limb amputations using mobile phones: machine learning enhances robustness for real-world applications. JMIR mHealth uHealth. 2017;5:e151.
Freund Y, Schapire RE. A decision-theoretic generalization of on-line learning and an application to boosting. Lect Notes Comput Sci (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics). Springer Verlag; 1995. p. 23–37.
Zurbuchen N, Bruegger P, Wilde A. A Comparison of Machine Learning Algorithms for Fall Detection using Wearable Sensors. 2020 Int Conf Artif Intell Inf Commun ICAIIC 2020. Institute of Electrical and Electronics Engineers Inc.; 2020;427–31.
Aickin M, Gensler H. Adjusting for multiple testing when reporting research results: the Bonferroni vs Holm methods. Am J Public Health. 1996;86:726–8.
’Ng A. A Chat with Andrew on MLOps: From Model-centric to Data-centric AI. DeepLearningAI. 2021. https://www.youtube.com/watch?v=06-AZXmwHjo. Accessed 23 Aug 2021.
Broadley RW, Klenk J, Thies SB, Kenney LP, Granat MH. Methods for the real-world evaluation of fall detection technology: a scoping review. Sensors. 2018;18:2060.
Pang I, Okubo Y, Sturnieks D, Lord SR, Brodie MA. Detection of near falls using wearable devices. J Geriatr Phys Ther. 2019;42:48–56.
Özdemir A, Barshan B. Detecting falls with wearable sensors using machine learning techniques. Sensors MDPI AG. 2014;14:10691–708.
Punt M, Bruijn SM, Wittink H, Van De Port IG, Van Dieën JH. Do clinical assessments, steady-state or daily-life gait characteristics predict falls in ambulatory chronic stroke survivors? J Rehabil Med. 2017;49:402–9.
Podsiadlo D, Richardson S. The timed “Up & Go”: a test of basic functional mobility for frail elderly persons. J Am Geriatr Soc. 1991;39:142–8.
Hollands KL, Hollands MA, Zietz D, Wing AM, Wright C, van Vliet P. Kinematics of turning 180° during the timed up and go in stroke survivors with and without falls history. Neurorehabil Neural Repair. 2009;24:358–67. https://doi.org/10.1177/1545968309348508.
Hacmon RR, Krasovsky T, Lamontagne A, Levin MF. Deficits in intersegmental trunk coordination during walking are related to clinical balance and gait function in chronic stroke. J Neurol Phys Ther. 2012;36:173–81.
Isho T, Usuda S. Association of trunk control with mobility performance and accelerometry-based gait characteristics in hemiparetic patients with subacute stroke. Gait Posture. 2016;44:89–93.
Van Criekinge T, Saeys W, Hallemans A, Velghe S, Viskens PJ, Vereeck L, et al. Trunk biomechanics during hemiplegic gait after stroke: a systematic review. Gait Posture. 2017;54:133–43.
O’Sullivan S, Schmitz T, Fulk G. Physical Rehabilitation, 6th edition. Fac Bookshelf. 2014. https://hsrc.himmelfarb.gwu.edu/books/85. Accessed 23 Aug 2021.