通过机器学习在静静的站立平衡测试中预测跌倒:这是可能的吗?

科学领域:

• 生物力学和机器学习
• 老年学和预防跌倒的方法

背景情况:

• 全球老年人口正在迅速扩大,导致跌倒的发生率增加.
• 目前的临床步行和姿势评估缺乏准确预测跌倒风险所需的灵敏度和特异性.
• 机器学习提供了一种新的方法来分析复杂的数据,以改善结果预测.

研究的目的:

• 用稳定度数据评估机器学习算法的性能,根据年龄和跌倒史对参与者进行分类.
• 为了确定机器学习是否可以根据步态和姿势特征识别有高跌倒风险的个体.

主要方法:

• 利用了163名参与者 (18-85岁) 的稳定测量评估的公共数据库.
• 应用了六种机器学习算法:逻辑回归,线性差异分析,K近邻,决策树分类器,高斯天真贝叶斯和C支持向量分类.
• 从人口统计,社会文化和健康状况信息中提取特征.

主要成果:

• 所有测试的机器学习模型都成功地将参与者分为"年轻"或"老"年龄组.
• 没有任何机器学习模型能够准确识别有高跌倒风险的参与者.
• 静态体位图,可能是由于日常生活活动的特异性较低,不足以预测跌倒风险.

结论:

• 机器学习算法可以有效地根据稳定度数据区分年龄组.
• 静态体位图不是预测老年人跌倒风险的可靠方法.
• 未来的研究应该调查动态后泌尿学,以更准确地评估跌倒风险.