一个基于机器学习的预测模型,用于中国社区的老年人中跌倒风险的概率
Zhou Zhou1, Danhui Wang, Jun Sun
1Author Affiliations: Wuxi School of Medicine, Jiangnan University, Jiangsu (Mr Zhou; Mss Wang, Sun, and Zhu; and Dr Teng); Traditional Chinese Medicine Hospital of Qinghai Province, Xining, Qinghai (Ms Wang), China.
Computers, informatics, nursing : CIN
|October 2, 2024
概括
这项研究确定了老年人中主要的跌倒风险因素,并开发了一种机器学习模型. 后勤回归模型准确地预测了早期干预的跌倒风险.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 在医疗保健中的数据科学.
背景情况:
- 跌倒对老年人来说是一个重大的健康问题,导致严重伤害和降低生活质量.
- 早期识别有高跌倒风险的个体对于及时实施预防策略至关重要.
研究的目的:
- 确定导致社区老年人倒的关键因素.
- 开发和评估用于预测跌倒风险类别的机器学习模型.
- 为了能够更早地进行干预,并改善风险人群的健康结果.
主要方法:
- 分析了459名社区老年人的队列.
- 确定了七个独立的预测因素:脆弱状态,年龄,吸烟,心脏病发作,脑血管疾病,关节炎和骨质疏松症.
- 构建和比较了三种机器学习模型 (逻辑回归,随机森林,天真贝叶斯).
主要成果:
- 后勤回归模型表现出卓越的性能,曲线下的面积 (AUC) 为0.856,测试组的精度为0.797,灵敏度为0.735.
- 该模型有效地确定了156名参与者 (34.0%) 具有高跌倒风险.
- 后勤回归模型表现出极好的区分,校准和临床实用性.
结论:
- 机器学习,特别是逻辑回归,可以准确地预测老年人的跌倒风险.
- 开发的模型有助于识别高风险个体,以进行有针对性的早期干预.
- 这种方法有可能减少跌倒的发生率并改善老年护理.
