研究人员找到了一种通过结合人工智能和移动健康技术来预测患者脊柱手术恢复的新方法。由Chenyang Lu和Jacob Greenberg领导的团队，利用来自圣路易斯华盛顿大学健康人工智能研究所的机器学习技术，提高了他们预测的准确性。这种方法建立在他们以前使用Fitbit数据预测手术结果的基础上。最近发表在《ACM互动、移动、可穿戴和普及技术会议录》上的研究结果显示，他们的模型在预测脊柱手术结果方面优于以前的模型。这一点非常重要，因为下背部手术和其他骨科手术的成功与患者的结构状况以及他们的身体和心理健康属性有很大关系。已经证明，手术后的恢复过程受到患者术前身体和心理健康状况的影响。此外，一些人在此期间可能会经历灾难性思维。有些人在处理疼痛时会感到焦虑或过度担忧，这实际上会加重疼痛和恢复过程。其他人可能会有生理问题，使他们的疼痛更加严重。如果医生能够预测每位患者的这些挑战，就可以为他们制定更个性化的治疗方案。
“通过在手术前预测结果，我们可以帮助建立一些期望，并帮助早期干预并识别高风险因素，” Lu实验室的博士生、论文的第一作者Ziqi Xu说。
以往预测手术结果的方法通常涉及在诊所一次或两次给予患者问卷调查。研究发现，传统的恢复测量方法只能捕捉到单一时间点的情况。Xu指出，这些方法未能考虑患者的长期身体和心理变化。先前的机器学习算法专注于手术结果的狭窄方面，忽视了恢复的多维特性。研究人员利用Fitbit设备的移动健康数据来跟踪恢复并比较随时间变化的活动水平。然而，他们确定将活动数据与纵向评估数据结合起来，可以更准确地预测患者术后恢复。Greenberg表示，目前的研究展示了使用多模态机器学习的潜力，使医生能够更准确地了解影响恢复的各个因素。在本研究之前，团队建立了统计方法和协议，以确保人工智能能够接收适当的数据。之前，团队还在《神经外科》上发表了一项初步的概念验证，表明与传统患者评估相比，患者报告和客观可穿戴测量可以增强早期恢复的预测。在Frumkin、Ray、Rodebaugh和Lu的研究中，他们发现Fitbit数据可以与各种测量个体社会和情感健康状况的调查相关联。研究还通过智能手机利用生态瞬时评估（EMA）来收集这些数据。Rodebaugh目前在北卡罗来纳大学教堂山分校任职。患者每天会收到频繁的提醒，以多次评估他们的情绪、疼痛水平和行为。
“我们使用可穿戴设备、EMA和临床记录的组合，以收集关于患者的广泛信息，包括身体活动、疼痛和心理健康的主观报告以及临床特征，”Lu解释道。
Greenberg还指出，诸如“动态结构方程建模”等高级统计工具在分析复杂的纵向EMA数据方面至关重要，Rodebaugh和Frumkin对此做出了贡献。
在最新的研究中，他们考虑了所有这些因素并进行了分析。
研究人员开发了一种新的机器学习技术，称为“多模态多任务学习（M3TL）”，以有效结合不同类型的数据，以预测多个恢复结果。
按照Lu的解释，这种方法使人工智能学习评估结果之间的相关性，同时捕捉多模态数据中的差异。
这种方法涉及使用共享信息来预测不同结果的相关任务，然后利用这些共享信息来帮助模型理解如何做出准确预测，Xu说。
所有这些结合在一起，最终产生每个结果的预测变化。研究仍在进行中，研究人员正在努力优化他们的模型，以更准确地预测术后疼痛和身体功能评分。他们还试图识别可以调整的因素，以改善长期结果。该研究得到了包括北美AO脊柱、颈椎研究学会、脊柱侧弯研究学会、巴恩斯-犹太医院基金会、华盛顿大学/BJC医疗大构想竞赛、Fullgraf基金会以及国家心理健康研究所等多个组织的资助。Greenberg，
