基于神经网络的ICF康复组合评定量化标准功能分级算法模型构建及其验证

摘要：

目的:利用人工智能神经网络方式构建ICF康复组合(ICF-RS)评定量化标准总体及三个维度(身体功能、活动、参与)功能分级的算法模型,为应用ICF-RS评定量化标准进行数据分析及功能分级提供解决方案.方法:本研究利用中文版ICF-RS评定量化标准,通过多中心合作,采用分层比例抽样的方法收集了 6家已开展ICF-RS评定量化标准临床应用的康复医学科住院患者ICF-RS数据,以多个专家对同一患者的方式获取ICF-RS评定量化标准三个维度及整体功能状况的等级评价结果.借助于神经网络算法构建ICF-RS评定量化标准的各维度及整体功能分级模型,采用计算机k折交叉验证法选择最优模型参数,并计算模型预测受试者工作特征曲线[receiver operating characteristic(ROC)curve]下面积(area under ROC curve,AUC)、准确率(accuracy,ACC)和F1 分数(F1-score).模型构建后,再通过专家和患者一对一的方式收集100例ICF-RS数据用于对已建立的模型进行临床再测试,通过计算ROC、AUC、ACC和F1对模型性能进行评价.结果:共收集584例住院患者的ICF-RS数据,其中484例数据用于构建及验证模型,100例数据用于测试模型的预测性能.根据k折交叉验证法结果显示,身体功能维度、活动维度、参与维度及整体ICF-RS功能分级模型的AUC分别是 89.00％、92.00％、87.00％和87.00％,ACC分别达到75.19％、78.10％、72.91％和73.53％,F1分别是73.68％、77.04％％、69.28％、58.95％.在模型建立后将重新收集到的100例ICF-RS数据输入模型计算,发现各模型ROC曲线良好,AUC 分别是 89.04％、91.81％、86.85％、86.89％,ACC 分别是 64.00％、72.00％、61.00％、65.00％,F1 分别是 48.30％、59.95％、64.06％、49.35％.结论:基于神经网络建立的ICF-RS整体及各维度功能分级算法模型对ICF-RS数据的功能等级预测准确率良好,预测价值较高,具有良好的临床应用价值.

关键词：国际功能、残疾和健康分类康复组合、机器学习、神经网络、功能分级

所属期刊栏目：37

分类号：R49(康复医学)

资助基金：教育部创新促教基金项目;国家自然科学基金;国家自然科学基金

在线出版日期：2022-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1347-1353,1370