相关实验视频
Updated: Jul 12, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
在急性中风患者中使用机器学习算法和摩尔斯跌幅度的医院内跌幅预测:一个嵌套的病例对照研究
Jun Hwa Choi1,2, Eun Suk Choi3,4, Dougho Park5,6
1College of Nursing, Kyungpook National University, 680 Gukchaebosang-ro, Jung-gu, Daegu, 41944, Republic of Korea.
BMC medical informatics and decision making
|November 2, 2023
概括
机器学习模型准确地预测急性中风患者的跌倒风险,与莫尔斯跌倒量表的性能相匹配. 这提供了高效的查,以提高患者的安全性和结果.
科学领域:
- 医疗信息学医学信息学
- 临床神经学 临床神经学
- 机器学习在医疗保健中的应用
背景情况:
- 跌倒是医疗环境中常见且危险的事故,特别是在急性中风患者中.
- 预测和预防跌倒对于患者的安全和改善预后至关重要.
- 现有的工具,如摩尔斯跌倒量表 (MFS),用于跌倒风险评估.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于预测急性中风患者的跌倒.
- 为了将开发的ML模型的准确性与已建立的摩尔斯落量表 (MFS) 进行比较.
主要方法:
- 一项追溯的嵌套病例对照研究,涉及8462名急性中风患者.
- 采用了六种机器学习算法:规范化后勤回归,支持向量机,天真贝叶斯 (NB),k-最近邻居,随机森林和极端梯度增强 (XGB).
- 156个跌倒事件与934个对照病例进行了匹配分析.
主要成果:
- 摩尔斯秋季量表 (MFS) 显示,秋季预测的AUROC为0.76.
- 极端梯度提升 (XGB) 实现了最高的AUROC 0.85,超过了MFS.
- 在XGB和Naïve Bayes (NB) 中,F1的最高分数为0.44.
结论:
- 机器学习算法,特别是XGB,在预测急性中风患者中跌倒风险方面表现出很高的准确性.
- 在降落风险查方面,ML模型的性能与MFS的性能相当或优于MFS.
- 这些发现表明,ML可以在临床实践中促进准确和高效的摔倒查.
