本研究聚焦于利用可穿戴设备的三轴加速度计数据开发人工智能模型，以预测中风患者短期（1个月）及中期（6个月）的改良Rankin量表（mRS）功能评分，并分析评分变化趋势。研究团队来自纽约伊坎医学院等机构，通过分析哥伦比亚大学医疗中心REACH Stroke-Sleep研究中的362名患者数据，验证了可穿戴设备在功能评估中的潜力。
**研究背景与问题**
改良Rankin量表作为中风后功能评估的黄金标准，存在多重局限性：依赖人工评估导致效率低下、文化语言差异影响结果一致性、难以捕捉动态变化。当前临床实践中，仅约25%的中风患者在出院后90天完成mRS评估，尤其在资源匮乏地区更为突出。此外，传统mRS评估多为单时间点静态测量，无法有效追踪功能变化的动态轨迹，而中风后每周甚至每月的功能波动可能预示着复发风险或需要干预。
可穿戴设备为解决这个问题提供了新思路。三轴加速度计能够持续、无创地捕捉步态、坐立及活动频率等行为数据，这些指标与mRS评分高度相关。例如，步态异常通常对应mRS≥3的致残性评分，而日常活动量减少则与评分升高直接相关。但此前尚无研究系统验证加速度计数据预测mRS的能力，尤其未涉及评分变化的动态预测。
**研究方法与数据特征**
研究采用来自REACH Stroke-Sleep项目的队列数据，该研究专注于中风后睡眠与体力活动的关系。纳入标准为急性中风或短暂性脑缺血发作（TIA）患者，排除严重认知障碍或无法配合设备佩戴者。患者佩戴GENEActiv™智能手表，记录包括加速度（x/y/z轴）、皮肤温度、光照强度等数据，每日生成15秒采样周期的特征向量。
关键方法设计包括：
1. **数据预处理**：仅保留加速度数据（与mRS直接相关），剔除温度等干扰变量。将连续佩戴数据分段为30天内的日周期数据，通过平均处理消除单日波动。
2. **模型构建**：对比逻辑回归（LR）、随机森林（RF）和长短期记忆网络（LSTM）三类模型。选择RF作为最优模型，因其通过树结构特征组合可捕捉非线性关系，且在分类任务中表现优于依赖时序特征的LSTM和忽略时间依赖的LR。
3. **评估策略**：采用五折交叉验证确保结果稳健性，通过AUROC、敏感性、特异性等指标评估模型性能。特别针对mRS变化预测，将1月与6月评分差分为≥0（改善/稳定）和<0（恶化）两类。
**核心发现**
1. **模型性能对比**：
- RF模型在预测1月mRS（AUROC 0.65）、6月mRS（0.59）及评分变化（0.62）均优于其他模型。例如，1月mRS预测中，RF的敏感性达35%，特异性为87%，显著高于LR（敏感性18%，特异性73%）和LSTM（敏感性0%）。
- LSTM模型在时序数据处理上未体现优势，可能因数据预处理（分段平均）弱化了时间序列特征。
2. **数据缺失分析**：通过构建区分完整mRS数据与缺失数据的模型发现，RF的AUROC仅0.53（接近随机水平），提示数据缺失可能存在选择性偏倚。进一步分析显示，未完成6月随访的患者中，67.2%合并有更高Charlson共病指数（≥1），且教育程度较低者占比更高，但差异未达统计显著性。
3. **临床意义**：约24.1%的患者在6个月内出现mRS评分上升，这些病例中多数（35%）为轻度致残状态，提示动态监测对早期识别恶化风险的重要性。
**创新性与局限性**
本研究首次系统验证了可穿戴加速度计在mRS预测中的可行性，其突破性在于：
- **客观化评估**：通过连续监测减少主观偏差，例如患者可能因语言障碍或认知衰退无法准确报告活动量。
- **实时性优势**：设备可即时捕捉步态、跌倒等关键指标，为24/7监护提供可能。
- **成本效益**：智能手表价格仅为医疗级监测设备的1/10，适合大规模部署。
主要局限包括：
1. **样本偏差**：因设备佩戴要求，排除了约30%的严重功能障碍患者，可能高估模型在真实临床场景中的泛化能力。
2. **数据关联性**：未明确区分功能恶化的具体原因（如再中风、肺炎等），影响机制解析。
3. **技术局限性**：加速度计无法直接检测认知功能或精神状态，需结合其他传感器（如脑电、心率变异性）实现更全面评估。
**应用前景与未来方向**
研究提出三大应用场景：
1. **居家监护**：替代传统电话随访，自动识别跌倒、活动量骤减等预警信号。
2. **资源优化**：通过预测mRS变化，指导康复资源分配（如优先干预高风险患者）。
3. **远程医疗**：在缺乏临床评估条件地区，通过可穿戴设备间接获取功能数据。
未来研究需拓展以下方向：
- **多模态融合**：整合加速度计、心率、血氧等数据提升预测精度。例如，步态异常与心率变异性可能共同预示跌倒风险。
- **动态阈值调整**：开发自适应模型，根据个体恢复速度动态调整mRS预测标准。
- **前瞻性验证**：在REACH-Stroke等大规模队列中开展随机对照试验，验证模型指导临床决策的有效性。
本研究为智能可穿戴设备在中风康复管理中的应用奠定了理论基础，其技术路线（通过树模型处理高维时序数据）为同类研究提供了方法论参考。尽管当前模型预测能力尚有限，但其实现"无接触评估"和"持续监测"的核心优势，可能在中风患者长期管理中产生颠覆性影响。
