
-
生物通官微
陪你抓住生命科技
跳动的脉搏
在机器人辅助和传统的中风后康复方法中,运动恢复的预测因素是否存在差异?
《Journal of NeuroEngineering and Rehabilitation》:Do predictors of motor recovery differ between robotic and conventional post-stroke rehabilitation?
【字体: 大 中 小 】 时间:2026年05月14日 来源:Journal of NeuroEngineering and Rehabilitation 5.2
编辑推荐:
摘要背景尽管关于机器人康复的研究主要集中在评估设备的效果上,但仍有必要研究能够预测患者对机器人辅助治疗反应的特征。机器学习(ML)技术的最新进展为这类研究提供了支持,使得开发数据驱动的工具成为可能,这些工具有助于选择合适的康复治疗方法。本研究旨在开发两个ML模型,每个模型分别预测
尽管关于机器人康复的研究主要集中在评估设备的效果上,但仍有必要研究能够预测患者对机器人辅助治疗反应的特征。机器学习(ML)技术的最新进展为这类研究提供了支持,使得开发数据驱动的工具成为可能,这些工具有助于选择合适的康复治疗方法。本研究旨在开发两个ML模型,每个模型分别预测中风后患者在接受机器人辅助或传统上肢康复治疗后的两种运动结果。此外,该研究还试图比较不同治疗方式下基线预测因素的贡献差异。
我们对之前一项评估中风后患者机器人上肢康复的随机对照试验的数据进行了回顾性分析。使用嵌套交叉验证框架训练并验证了四种ML算法,分别为机器人治疗组和传统治疗组分别开发了模型。基线预测因素被用来估计两种治疗后的运动结果:Fugl-Meyer评估(FMA)和动作研究臂测试(ARAT)。通过SHAP分析来评估每个预测因素对模型的贡献。
数据清洗后,传统治疗组有99名患者,机器人治疗组有91名患者被纳入研究。训练后ARAT评分的预测误差(以中位数和绝对误差表示)在机器人治疗组为5.0 [6.0],在传统治疗组为3.0 [6.0]。对于FMA的预测,结果分别为5.0 [5.0]和5.0 [7.0]。基线FMA是两组中ARAT结果的强预测因素。在机器人治疗组中,忽视症状的存在被证明具有更大的影响力。年龄是两种结果的关键预测因素,但仅限于传统治疗组。
不同治疗类型下基线预测因素的不同贡献提供了具有临床意义的见解,并支持开发基于患者个体特征的临床决策支持系统,以优化康复策略。
尽管关于机器人康复的研究主要集中在评估设备的效果上,但仍有必要研究能够预测患者对机器人辅助治疗反应的特征。机器学习(ML)技术的最新进展为这类研究提供了支持,使得开发数据驱动的工具成为可能,这些工具有助于选择合适的康复治疗方法。本研究旨在开发两个ML模型,每个模型分别预测中风后患者在接受机器人辅助或传统上肢康复治疗后的两种运动结果。此外,该研究还试图比较不同治疗方式下基线预测因素的贡献差异。
我们对之前一项评估中风后患者机器人上肢康复的随机对照试验的数据进行了回顾性分析。使用嵌套交叉验证框架训练并验证了四种ML算法,分别为机器人治疗组和传统治疗组分别开发了模型。基线预测因素被用来估计两种治疗后的运动结果:Fugl-Meyer评估(FMA)和动作研究臂测试(ARAT)。通过SHAP分析来评估每个预测因素对模型的贡献。
数据清洗后,传统治疗组有99名患者,机器人治疗组有91名患者被纳入研究。训练后ARAT评分的预测误差(以中位数和绝对误差表示)在机器人治疗组为5.0 [6.0],在传统治疗组为3.0 [6.0]。对于FMA的预测,结果分别为5.0 [5.0]和5.0 [7.0]。基线FMA是两组中ARAT结果的强预测因素。在机器人治疗组中,忽视症状的存在被证明具有更大的影响力。年龄是两种结果的关键预测因素,但仅限于传统治疗组。
不同治疗类型下基线预测因素的不同贡献提供了具有临床意义的见解,并支持开发基于患者个体特征的临床决策支持系统,以优化康复策略。