[论文解读] Opportunities of a Machine Learning-based Decision Support System for Stroke Rehabilitation Assessment

Min Hun Lee, Daniel P. Siewiorek+3 more|arXiv (Cornell University)|Feb 27, 2020

Stroke Rehabilitation and Recovery参考文献 33被引用 10

一句话总结

该论文提出了一种基于机器学习的中风康复决策支持系统，采用强化学习识别关键运动特征，并利用神经网络预测功能表现评分（活动范围、平滑度、代偿情况）。在七名治疗师的评估中，该系统显著提高了评分者间的一致性（F1分数从0.6600提升至0.7108，p<0.05），并提供了个性化的可视化功能，增强了临床评估中的信任感与一致性。

ABSTRACT

Rehabilitation assessment is critical to determine an adequate intervention for a patient. However, the current practices of assessment mainly rely on therapist's experience, and assessment is infrequently executed due to the limited availability of a therapist. In this paper, we identified the needs of therapists to assess patient's functional abilities (e.g. alternative perspective on assessment with quantitative information on patient's exercise motions). As a result, we developed an intelligent decision support system that can identify salient features of assessment using reinforcement learning to assess the quality of motion and summarize patient specific analysis. We evaluated this system with seven therapists using the dataset from 15 patient performing three exercises. The evaluation demonstrates that our system is preferred over a traditional system without analysis while presenting more useful information and significantly increasing the agreement over therapists' evaluation from 0.6600 to 0.7108 F1-scores ($p &lt;0.05$). We discuss the importance of presenting contextually relevant and salient information and adaptation to develop a human and machine collaborative decision making system.

研究动机与目标

• 识别中风康复评估中治疗师的需求，特别是对基于量化运动数据的反馈需求。
• 开发一种智能决策支持系统，利用强化学习检测关键运动特征并预测运动质量。
• 评估是否通过提供个性化分析和预测评分，能够提升治疗师之间的一致性与决策一致性。
• 探索人机协作如何在康复环境中增强临床决策支持。

提出的方法

• 在15名中风患者进行三项上肢运动的运动数据上训练强化学习模型，以识别评估所需的关键特征。
• 为每个性能指标（活动范围、平滑度、代偿）分别使用具有不同架构和学习率的神经网络。
• 利用保留的未患侧运动数据生成个性化分析，与患侧表现进行对比。
• 设计可视化界面，展示视频、预测评分、特征对比、关键帧及关节轨迹趋势。
• 采用留一患者交叉验证策略，使用除一名患者外的所有患者数据进行模型训练，用于测试。
• 集成交互式反馈机制，允许治疗师调整特征重要性并纠正错误预测。

实验结果

研究问题

• RQ1 治疗师在评估中风康复运动时，对量化运动数据的具体需求是什么，特别是对基于运动的反馈？
• RQ2 机器学习系统如何利用强化学习识别运动质量的关键特征，以支持临床评估？
• RQ3 提供预测表现评分和个性化分析在多大程度上能提升治疗师在运动评估中的一致性？
• RQ4 系统的解释能力如何影响治疗师的信任度与决策一致性？
• RQ5 该系统在多大程度上可适应治疗师的个人偏好和临床工作流程？

主要发现

• 该系统显著提升了治疗师之间的评分者间信度，平均F1分数从传统系统的0.6600提升至0.7108（p<0.05）。
• 由于引入了个性化可视化和性能解释功能，治疗师表示对系统的信任度和实用性更高。
• 该系统使治疗师能够通过基于运动的量化证据验证其评估，减少了对重复视频回放的依赖。
• 治疗师提出具体改进建议，例如增加“身体向侧方倾斜”特征，以更准确捕捉代偿模式。
• 该系统通过提供结构化、上下文相关的洞察，支持了更一致的评估，且与临床推理保持一致。
• 允许治疗师调整或修正识别出的特征的自适应功能，被认为对将系统输出与临床专业知识相匹配具有重要价值。