/ Forschung
Using machine learning-based algorithms to identify and quantify exercise limitations in clinical practice (en/de)
Cardiopulmonary exercise testing (CPET) is not easy to interpret. It requires well-trained personnel. In "Using machine learning-based algorithms to identify and quantify exercise limitations in clinical practice - Are we there yet?" Fabian Schwendinger and a team of CPET experts scored a CPET dataset of 200 patients according to the severity of pulmonary vascular, mechanical ventilatory, cardiovascular, and muscular limitations using a visual analog scale and calculated decision trees and random forest analyses. The authors found that the accuracy of the best decision tree in each category was comparable to expert judgment. Clinically significant parameters for detecting organ-specific limitations were identified by random forest analysis. In addition, a combined decision tree was created that was able to quantify a patient's organ limitations.
Machine learning-based algorithms may be a viable option to facilitate the interpretation of CPET and to detect movement limitations. The development of standardized assessment tools based on machine learning may facilitate clinical decision making based on CPET.
Results are available at Schwendinger et al Med Sci Sports Exerc. 2023 Sep 13
Einsatz von auf maschinellem Lernen basierenden Algorithmen zur Identifizierung und Quantifizierung von Belastungsgrenzen in der klinischen Praxis
Kardiopulmonale Belastungstests (CPET) sind nicht einfach zu interpretieren. Es wird dafür gut geschultes Personal benötigt. In "Using machine learning-based algorithms to identify and quantify exercise limitations in clinical practice- Are we there yet?" bewerteten Fabian Schwendinger und ein Team von CPET Experten einen CPET-Datensatz von 200 Patienten nach dem Schweregrad der pulmonal-vaskulären, mechanisch-ventilatorischen, kardiovaskulären und muskulären Einschränkungen anhand einer visuellen Analogskala und berechneten Entscheidungsbäume und Random-Forest-Analysen. Die Autoren stellten fest, dass die Genauigkeit des genauesten Entscheidungsbaums in jeder Kategorie mit der Bewertung durch Experten vergleichbar war. Klinisch bedeutsame Parameter zur Erkennung organspezifischer Einschränkungen wurden durch eine Random-Forest-Analyse ermittelt. Darüber hinaus wurde ein kombinierter Entscheidungsbaum erstellt, der in der Lage war, Organeinschränkungen bei einem Patienten zu quantifizieren.
Auf maschinellem Lernen basierende Algorithmen können eine praktikable Option sein, um die Interpretation von CPET zu erleichtern und Bewegungseinschränkungen zu erkennen. Die Entwicklung standardisierter Bewertungsinstrumente auf Basis von Machine Learning kann die klinische Entscheidungsfindung auf der Grundlage von CPET erleichtern.
Nachzulesen sind die Ergebnisse in Schwendinger et al Med Sci Sports Exerc. 2023 Sep 13