相关实验视频
Updated: Jul 8, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
基于机器学习的摔倒相关伤害风险预测模型的开发和验证,该模型使用韩国社区老年人口的全国索赔数据库
Kyu-Nam Heo1, Jeong Yeon Seok1, Young-Mi Ah2
1College of Pharmacy and Research Institute of Pharmaceutical Sciences, Seoul National University, 1, Gwanak-Ro, Gwanak-Gu, Seoul, 08826, Republic of Korea.
BMC geriatrics
|December 12, 2023
概括
一个新的机器学习模型预测了老年人严重的跌倒相关伤害 (FRI),识别了针对性预防的高风险个体. 该工具结合了药物数据,以加强预防跌倒的策略.
科学领域:
- 老年学是一门学科.
- 公共卫生 公共卫生
- 人工智能的人工智能
背景情况:
- 跌倒每年影响超过25%的老年人,需要有效的预防策略.
- 严重的落相关伤害 (FRIs) 对社区居住的老年人来说是一个重大的公共卫生挑战.
- 药物因素越来越多地被认为是导致跌倒和随后受伤的潜在因素.
研究的目的:
- 开发和验证基于机器学习 (ML) 的模型,用于预测社区老年人的严重跌倒相关伤害 (FRIs).
- 将与药物相关的特征纳入ML模型,以提高预测准确度.
- 识别FRI高风险的老年人,以便进行有针对性的预防干预.
主要方法:
- 利用了2018-2019年全国患者样本数据,创建了没有最近FRI的老年人的开发和验证队列.
- 严重FRI被定义为需要急诊室访问或住院的事件,通过诊断码识别.
- 开发并将四个ML模型 (LightGBM,Catboost,XGBoost,Random Forest) 与一个后勤回归参考模型进行比较,重点关注26个选定的特征,其中15个与药物相关.
主要成果:
- 在这两组患者中,大约2%的患者经历了FRI,导致住院或急诊室的访问.
- Catboost模型表现出卓越的性能,接收器操作特征下的面积为0.700,灵敏度/特异性约为65%.
- 该模型确定了一个高风险组,与低风险组相比,FRI风险超过三倍,解释与临床知识保持一致.
结论:
- 一个可解释的机器学习模型已成功开发和验证,用于预测社区居住的老年人严重的FRI.
- 该模型识别高风险个体的能力,特别是考虑到药物因素,可以为有针对性的跌倒预防策略提供信息.
- 该模型的未来验证可以提高其在初级保健和社区药房设置中的实用性,以积极主动地管理跌倒风险.
