関連する実験動画
Updated: Sep 17, 2025
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
低視力患者における転倒リスク予測モデルの開発：lasso回帰に基づく検討
Yewei Zhou1, Yanyan Chen2, Longfei Jiang2
1School of Ophthalmology and Optometry, Wenzhou Medical University, 270 West Xue yuan Road, Wenzhou, Zhejiang, 325027, China.
転倒は世界的な公衆衛生上の懸念事項であり、世界中で数百万件の負傷と死亡を引き起こしています。中等度から重度の視覚障害を特徴とするロービジョンは、多くのリスク要因を併せ持つため、転倒のリスクが高くなります。本研究では、ロービジョン患者のための転倒リスク予測モデルの開発に焦点を当てました。予測モデルの検証には計162名のロービジョン患者が組み込まれ、転倒率は31.48%であることが判明しました。その結果、失神の既往歴、日常生活動作（ADL）、視野、遠視力、および不慣れな環境での衝突が、最も予測能の高い要因であることが示されました。回帰分析の結果（R2=0.95, C-index=0.998)。ノモグラムを作成し、ROC曲線および校正曲線をプロットした結果、適切に校正・分化されたモデルにおいてAUC 0.9978が得られた。DCA決定曲線により、本モデルの優れた正味の利益（net benefit）と予測精度が実証された。本モデルは、ロービジョン患者の転倒予測および高リスク者の臨床的特定を支援する上で、大きな可能性を示している。
転倒は世界的な公衆衛生上の懸念事項であり、世界中で数百万件の負傷と死亡を引き起こしています。中等度から重度の視覚障害を特徴とするロービジョンは、多くのリスク要因を併せ持つため、転倒のリスクが高くなります。本研究では、ロービジョン患者のための転倒リスク予測モデルの開発に焦点を当てました。予測モデルの検証には計162名のロービジョン患者が組み込まれ、転倒率は31.48%であることが判明しました。その結果、失神の既往歴、日常生活動作（ADL）、視野、遠視力、および不慣れな環境での衝突が、最も予測能の高い要因であることが示されました。回帰分析の結果（R2=0.95, C-index=0.998)。ノモグラムを作成し、ROC曲線および校正曲線をプロットした結果、適切に校正・分化されたモデルにおいてAUC 0.9978が得られた。DCA決定曲線により、本モデルの優れた正味の利益（net benefit）と予測精度が実証された。本モデルは、ロービジョン患者の転倒予測および高リスク者の臨床的特定を支援する上で、大きな可能性を示している。
さらに関連する動画
09:29A Standardized Obstacle Course for Assessment of Visual Function in Ultra Low Vision and Artificial Vision
Published on: February 11, 2014
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
関連する概念動画
01:03Prediction Intervals
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y.
01:11Residuals and Least-Squares Property
If the observed data point lies above the line, the residual is positive, and the line underestimates the actual data value for y. If the observed data point lies below the line, the residual is negative, and the line overestimates the actual data value for y.
The process of fitting the best-fit...