배경: 뇌졸중 후 재활에서 로봇 보조 보행 훈련(RAGT)이 균형과 보행에 미치는 유망한 효과에도 불구하고, 낙상 관련 균형에 대한 최적 예측 인자와 효과적인 RAGT 특성은 낙상 고위험 뇌졸중 환자에서 여전히 불명확하다. 목적: 우리는 낙상 관련 균형 요인을 예측하고 RAGT 특성을 식별하기 위한 가장 정확한 임상 기계학습(ML) 알고리즘을 규명하고자 하였다. 방법: 로지스틱 회귀, 랜덤 포레스트, 의사결정나무, 서포트 벡터 머신(SVM), 극단 기울기 부스팅(extreme gradient boosting, XGboost) 등 5가지 ML 알고리즘을 RAGT를 받는 뇌졸중 환자 105명의 데이터셋에 적용하였다. 변수에는 Berg 균형 척도 점수, 보행 속도, 걸음 수, 고관절 및 무릎의 능동 토크, 기능적 보행 범주, 퍼글-마이어 평가(Fugl-Meyer assessment, FMA), Modified Barthel Index의 한국어 버전, 낙상 병력이 포함되었다. 결과: 랜덤 포레스트 알고리즘이 균형 향상 예측에서 가장 우수하였으며(수신자 조작 특성 곡선 아래 면적; receiver operating characteristic area under the curve, AUC = 0.91), SVM(AUC = 0.76) 및 XGboost(AUC = 0.71)보다 성능이 뛰어났다. 주요 결정 요인으로는 무릎 능동 토크, 연령, 걸음 수, RAGT 세션 횟수, FMA, 고관절 토크가 확인되었다. 결론: 랜덤 포레스트 알고리즘은 낙상 관련 균형과 RAGT 결정 요인을 식별하기 위한 최선의 예측 모델이었으며, 낙상 관련 균형 향상에서 성공적인 RAGT 결과 수행을 위해 핵심 요인의 중요성을 강조한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.