Page 153 - 计算机应用软件开发技术研究

第四章 大数据与机器学习

灵敏度为 88%，特异度为 87%。Kendale 等以麻醉诱导开始后 10 min 内平均动脉
压低于 55 mmHg（1 mmHg≈0.133 kPa）为结局指标，建立麻醉诱导后低血压风
险的机器学习模型，结果表明梯度增强算法性能最好，相关的阴性预测值和阳性

预测值分别为 19% 和 96%。
（二）康复护理
机器学习在康复护理中，被用于建立卒中、脊髓损伤、髋关节术后患者的认
知、生活质量、日常活动能力及机体功能恢复情况方面的预警模型，可为患者制

定科学的康复计划。
1.卒中康复
Chae 等开发了一种智能穿戴设备和深度学习模式的上肢家庭康复系统，有
望成为未来卒中患者家庭护理治疗的一种实用且经济的康复工具。Iwamoto 等基

于分类回归树（classifica-tionand regression tree，CART）算法，建立预测脑卒中
患者日常生活活动（activitiesof daily living，ADL）依赖性的临床预测模型，其
准确率为 83%。Sale 等为探索卒中患者的炎性标志物作为预测变量的预测效果，
使用支持向量机算法建立卒中患者运动和认知能力改善的机器学习模型，并从变

量相关性、均方根误差和平均绝对误差百分率 3 个方面评价了模型性能。
2.脊髓损伤康复
脊髓损伤的患者常有持续的功能、神经、认知能力的损害，日常活动能力需
要长期监测及护理，有必要使用准确可靠的模型预测患者预后，从而提高患者的

生活质量，促进个性化医疗的发展。Devries 等利用无监督学习算法，以患者因
素、年龄、脊髓损伤严重程度以及下肢运动和感觉评分来预测脊髓损伤患者 1 年
后的独立行走能力。Liao 等提出了一种基于深度学习的身体康复训练质量自动评
估框架。该框架由降维算法、性能度量、评分函数和深度学习模型组成；同时利

用 10 个康复练习的数据集对所提出的框架进行了验证，此项研究展示了深度学
习模型在康复训练评估中的潜力。
3.髋部骨折康复
Cary 等使用 logistic 回归和多层感知机模型对患者髋部骨折死亡率预后分

析，且多层感知机（multi-layer perceptron，MLP）算法具有良好的校准性，可作
为准确识别髋部骨折患者 30d 和 1 年死亡率高风险预测工具。多模态信号分析在
医学康复领域应用日益广泛，Prochazka 等对康复过程中心率传感器和热像仪采

·141·