Key points are not available for this paper at this time.
La spasticité post-AVC réduit la fonction des bras et conduit à des niveaux d'indépendance faibles. Cette étude a proposé d'appliquer l'apprentissage automatique à partir de données couramment disponibles pour soutenir la gestion clinique de la spasticité post-AVC. Cent soixante-douze patients ayant subi un AVC aigu pour la première fois ont été inclus dans cette étude de cohorte prospective. Vingt évaluations cliniques et réhabilitatives ont été obtenues pour entraîner divers algorithmes d'apprentissage automatique afin de prédire la spasticité post-AVC à 6 mois, définie par un score à l'échelle d'Ashworth modifiée ≥1. Des facteurs significativement pertinents ont également été définis. Les résultats de l'étude ont indiqué que la régression spline adaptative multivariée (valeur de l'aire sous la courbe : 0.916 ; intervalle de confiance à 95 % : 0.906-0.923), le boosting adaptatif (aire sous la courbe : 0.962 ; intervalle de confiance à 95 % : 0.952-0.973), la forêt aléatoire (aire sous la courbe : 0.975 ; intervalle de confiance à 95 % : 0.968-0.981), la machine à vecteurs de support (aire sous la courbe : 0.980 ; intervalle de confiance à 95 % : 0.970-0.989), surperformaient le modèle logistique traditionnel (aire sous la courbe : 0.897 ; intervalle de confiance à 95 % : 0.884-0.910) (P < 0.05). Parmi tous les algorithmes, les modèles forêt aléatoire et machine à vecteurs de support ont surperformé les autres (P < 0.05). Le score d'évaluation de Fugl-Meyer, les jours à l'hôpital, l'âge, la localisation de l'AVC et le côté paralysé étaient les caractéristiques les plus importantes. Ces résultats suggèrent que les algorithmes d'apprentissage automatique peuvent aider à augmenter les processus de prise de décision clinique pour l'évaluation de l'occurrence de la spasticité post-AVC, ce qui pourrait améliorer l'efficacité de la gestion des patients atteints de spasticité post-AVC à l'avenir.
Chen et al. (Mar,) ont étudié cette question.