手指运动的高维分析和非接触式传感器筛查颈脊髓病:一项诊断病例对照研究
摘要
背景:
脊髓型颈椎病(CM)会引起一些症状,如手部笨拙,通常需要手术治疗。CM的筛查和早期诊断很重要,因为有些患者不知道自己的早期症状,只有在病情变得严重后才去看外科医生。10秒握放(10-s)测试通常用于检查CM的存在。该检测方法简单,但如果能客观评价CM特有的运动变化,则对筛查更有帮助。此前,研究人员利用非接触式传感器Leap Motion分析了手指在10秒内的运动,并开发了利用机器学习诊断CM的系统,具有很高的灵敏度和特异性。然而,先前的研究存在局限性,系统记录的参数较少,并且没有将CM与其他手部疾病区分开来。
摘要目的:
目的:建立一种具有更高灵敏度和特异性的CM诊断系统,并将CM与一种常见的手部疾病腕管综合征(carpal tunnel syndrome, CTS)区分开来。然后,我们用改进的Leap Motion来验证系统,该系统可以记录每个手指的关节。
方法:
总共有31、27和29名参与者分别被招募到CM组、CTS组和对照组。我们使用Leap Motion开发了一个系统,记录了参与者在尽可能快地抓住和释放手指时手指运动的229个参数。采用支持向量机进行机器学习,建立二元分类模型,并计算灵敏度、特异度和曲线下面积(AUC)。我们建立了两个模型,一个用于诊断CM组和对照组之间的CM (CM/对照模型),另一个用于诊断CM组和非CM组之间的CM (CM/非CM模型)。
结果:
CM/control模型指标如下:灵敏度为74.2%;特异性,89.7%;AUC, 0.82。CM/非CM模型指标如下:敏感性为71.0%;特异性,72.8.7%;AUC, 0.74。
结论:
我们开发了一种能够以更高的灵敏度和特异性诊断CM的筛选系统。该系统可以区分CM与CTS患者以及健康受试者,并有潜力在各种受试者中筛查CM。
引用
请求排队。正在生成文件,请稍候。这可能需要一些时间。
版权
©作者。版权所有。这是一份特权文件,目前正在接受同行评审/社区评审(或被接受/拒绝的手稿)。作者已向JMIR Publications提卡塔尔世界杯8强波胆分析供独家许可,在其网站上发布此预印本,仅供审查和印前引用之用。虽然最终的同行评议论文在发表时可能会根据cc-by许可进行许可,但在此阶段,作者和出版商明确禁止将该论文草稿重新分发,除非用于评审目的。