ML 研究主題構想

團隊的第1篇AI論文 A 10-item Fugl-Meyer Motor Scale Based on Machine Learning. 已被 Physical Therapy 接受刊登

後續使用者可僅用10題 即可預測原50題之上下肢分數，且相關係數高於0.90。因此此短版具極大潛力可取代原50題版本!!

今日跟沛綺/士捷/恭宏個別討論後，我們提出後續的研究主題--

比較 S-FM, CAT FM 以及 FM ML 等 3 種短版預期其它未施測項目之精準度(+Rasch-37 版本以及原始50題版本)

我們預期 精準度高低如下: FM ML > SF-FM > CAT FM

if so, 此研究結果可增加FM ML之實用價值，更能顯示取代原 50 題FM之潛力! 意即測完10題也可獲得其它40題之預測分數，這對臨床人員應有很大的參考價值!!

另外若有較多的 test-retest assessments 數據，發展新的ML版 有可能提升 test-retest reliability 或是降低 random measurement error?

Note: 

1. 以ML預測其它項目分數之能力或以 表現型工具 (如平衡/動作能力) 比主觀感受問卷為高。if so, 後續可測試其它表現型工具。

2. CAT FM 預測其它項目之能力，因為每位個案施測項目不一，故僅能以資料庫個案之數據模擬預測能力

3. 從恭宏/士捷開始學習AI，將近3年才有第1篇AI論文接受刊登(還好1年多之前已有千瑀的AI計畫被接受)。目前尚有2篇AI論文進入審查階段，以及2篇AI論文快完稿了!!

參考文獻(團隊之前發展的 S-FM & CAT FM):

Development of a computerized adaptive testing system of the Fugl-Meyer motor scale in stroke patients

Development and validation of a short form of the Fugl-Meyer motor scale in patients with stroke