Predicting Multiple Clinical Outcomes Related to Functional Recovery and Social Isolation Among Older Adults After Lower-Limb Fracture or Hip Replacement
Deze studie toont aan dat een multi-output deep learning-model (NODE), dat gebruikmaakt van multimodale sensordata uit de MAISON-LLF-dataset, beter presteert dan single-output benaderingen bij het gelijktijdig voorspellen van vijf klinische uitkomsten gerelateerd aan functioneel herstel en sociaal isolement voor ouderen die herstellen van onderbeenfracturen of heupprotheses.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Wanneer een oudere volwassene herstelt van een gebroken heup of een beenfractuur, is het pad terug naar volledige gezondheid zelden een rechte lijn. Het is een complexe reis waarbij fysieke kracht, het vermogen om te lopen en de wens om contact te maken met anderen diep met elkaar verweven zijn. Decennialang hebben artsen en onderzoekers deze aspecten afzonderlijk bestudeerd, waarbij ze maten hoe goed een patiënt uit een stoel kan opstaan of hoe vaak iemand het huis verlaat, alsof het ongerelateerde gebeurtenissen waren. De realiteit van het herstel suggereert echter dat een achteruitgang in mobiliteit vaak leidt tot isolatie, en dat zich geïsoleerd voelen het fysieke herstel moeilijker kan maken. Het begrijpen van deze verbinding is essentieel, omdat het de manier waarop we voor mensen zorgen na een operatie verandert. In plaats van te wachten tot een patiënt elke paar weken een kliniek bezoekt, biedt moderne technologie nu een manier om naar hun dagelijks leven te luisteren via kleine, onopvallende sensoren die beweging, hartslag en slaappatronen rechtstreeks in hun eigen huis volgen.
Een team van onderzoekers zette zich af om te zien of ze deze stroom van dagelijkse gegevens konden gebruiken om de herstelstatus van een patiënt nauwkeuriger te voorspellen door alle puzzelstukjes tegelijkertijd te bekijken. Ze werkten met een groep van achttien ouderen die onlangs een operatie aan de onderste ledematen of een heupvervanging hadden ondergaan. Deze deelnemers werden tot acht weken lang gemonitord terwijl ze herstelden in hun eigen gemeenschappen. Tijdens deze periode droegen zij smartwatches en werden er sensoren in hun huizen geplaatst om alles vast te leggen, van het aantal stappen dat ze zetten en de afstand die ze buiten aflegden, tot de kwaliteit van hun slaap en hun hartslag in rust. Elke twee weken voltooiden de deelnemers ook standaard medische tests om hun pijn, hun vermogen om te bewegen en hun niveau van sociale interactie te meten. De onderzoekers verzamelden meer dan duizend dagen aan deze continue sensordata, wat een rijk beeld creëerde van hoe deze individuen leefden en bewogen tijdens hun herstel.
De kern van de studie was een methodologische vraag: is het beter om elke gezondheidsuitkomst afzonderlijk te voorspellen, of om ze allemaal samen te voorspellen? De onderzoekers bouwden computermodellen om vijf verschillende maten te voorspellen: hoeveel pijn de patiënt voelde in hun heup of knie, hoe snel ze konden opstaan en een korte afstand konden lopen, hoe sterk hun beenspieren waren en hoe sociaal geïsoleerd ze zich voelden. Ze testten twee benaderingen. In de eerste benadering probeerde de computer elk van deze vijf getallen één voor één te raden, waarbij de andere getallen werden genegeerd. In de tweede benadering kreeg de computer de opdracht om alle vijf de getallen tegelijkertijd te raden, waardoor het kon leren hoe ze elkaar zouden beïnvloeden. De resultaten waren duidelijk: de modellen die naar het hele plaatje keken, presteerden aanzienlijk beter. Door de relaties tussen fysieke bekwaamheid en het sociale leven gelijktijdig te overwegen, maakten de computermodellen veel nauwkeurigere voorspellingen dan wanneer ze probeerden elk probleem in isolatie op te lossen.
Onder de verschillende geteste computermodellen kwam een specif kind type deep learning-systeem voor tabulaire data als het meest effectief naar voren. Dit model, dat de onderzoekers een neuraal netwerk noemen, was in staat om subtiele patronen in de gegevens te vinden die traditionele methoden misten. Wanneer dit model alle vijf de uitkomsten samen voorspelde, waren de fouten dramatisch lager dan wanneer het ze afzonderlijk voorspelde. Bijvoorbeeld, bij het proberen te raden hoe een patiënt zou scoren op een test van hun vermogen om herhaaldelijk op te staan, was het model dat naar alle gegevens tegelijk keek veel nauwkeuriger. De studie toonde ook aan dat de modellen robuust genoeg waren om zelfs te werken wanneer ze werden getest op mensen die ze nog nooit eerder hadden gezien, wat suggereert dat deze benadering in de toekomst nuttig kan zijn voor nieuwe patiënten.
Misschien was de meest verrassende ontdekking niet alleen dat de modellen werkten, maar wat de modellen als belangrijk beschouwden. Wanneer de onderzoekers de computer vroegen om uit te leggen welke stukjes gegevens het belangrijkst waren, ontdekten ze dat de timing van iemands activiteiten veelzeggender was dan de totale hoeveelheid activiteit. Weten op welk tijdstip van de dag een persoon zijn piekbeweging bereikte, was een sterkere voorspeller voor hun gezondheid dan simpelweg tellen hoeveel stappen iemand per dag zette. Op dezelfde manier waren details over de slaap, zoals hoe lang het duurde voordat iemand in slaap viel of hoeveel diepe slaap zij kregen, cruciaal. In contrast hiermee was de totale afstand die een persoon buiten hun huis aflegde een van de minst belangrijke factoren. Dit is logisch gezien het feit dat de meeste deelnemers in de studie het overgrote deel van hun tijd in hun eigen huis doorbrachten; het simpele feit dat ze thuis bleven was minder informatief dan het ritme van hun dagelijkse bewegingen en de kwaliteit van hun rust.
De studie benadrukte ook de beperkingen van het kijken naar gegevens op een enkele manier. De onderzoekers merkten op dat hoewel de computermodellen uitstekend waren in het vinden van patronen, de groep mensen die zij bestudeerden klein en grotendeels vrouwelijk was, wat betekent dat de bevindingen moeten worden getest op grotere en meer diverse groepen voordat ze breed kunnen worden toegepast. Bovendien kwamen de gegevens uit een specifieke regio met uitgesproken seizoenen, en de hardheid van de winter had invloed kunnen hebben op hoeveel mensen bewogen. Ondanks deze beperkingen, demonstreert het werk een krachtige verschuiving in hoe we herstel kunnen monitoren. Door fysiek herstel en sociale betrokkenheid te behandelen als onderdelen van één enkel, verbonden verhaal in plaats van als aparte hoofdstukken, bieden deze instrumenten een manier om het volledige beeld van de gezondheid van een patiënt te zien. Dit holistische perspectief zou uiteindelijk kunnen helpen om zorgverleners en artsen in staat te stellen vroege tekenen van problemen te herkennen, waardoor zij eerder kunnen ingrijpen en ouderen kunnen helpen bij het terugwinnen van hun onafhankelijkheid en hun verbinding met de wereld om hen heen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.