一种机器学习方法,以识别重要的变量,以区分老年女性的堕落者和非堕落者

科学领域:

• 老年学是一门学科.
• 生物医学工程 生物医学工程
• 公共卫生 公共卫生

背景情况:

• 布对于老年人来说是一个重要的公共卫生问题.
• 有限的研究同时研究了落风险的多种预测因素.
• 识别关键的歧视因素对于制定有效的防摔策略至关重要.

研究的目的:

• 确定功能和物理变量,以最好地区分老年女性落者和非落者.
• 应用机器学习技术来预测老年人中跌倒风险.
• 确定跌倒风险评估中最有信息的领域.

主要方法:

• 一项涉及60名65岁及以上社区妇女的横截面研究.
• 数据收集包括五个领域的281个变量:平衡,步态,临床测量,力量和身体组成.
• 使用了机器学习方法,包括随机森林 (RF) 和留出一个变量部分最小平方相关性分析 (LOVO PLSCA).

主要成果:

• 来自四个领域的18个变量的组合准确地分类了故障和非故障 (例如,后勤回归:灵敏度=90%,特异性=87%,AUC=0.92).
• 步行和力量领域成为查跌倒风险的特别有信息的领域.
• 这项研究表明了机器学习在识别关键跌倒风险因素方面的潜力.

结论:

• 步态和力量评估对老年妇女的跌倒风险查非常有价值.
• 机器学习模型可以有效地区分使用多域方法的失败者和非失败者.
• 这项研究为有针对性的干预措施提供了基础,以减少老年人中跌倒的发生率.