相关实验视频
Updated: Jun 7, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
预测老年人中跌倒风险:使用患者特征,功能平衡测试和计算机化动态尿后图的机器学习模型的比较分析
Emre Soylemez1,2, Suna Tokgoz-Yilmaz3,4
1Department of Audiometry, Vocational School of Health Services, Karabuk University, Karabuk, Turkey.
The Journal of laryngology and otology
|November 11, 2024
概括
使用机器学习模型,可以高准确地预测老年人中跌倒风险. 简单的平衡测试,患者特征和并发症是有效的预测因素,消除了对先进系统的需求.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 跌倒是老年人面临的重大风险,导致受伤和生活质量下降.
- 准确的跌倒风险评估对于实施预防策略至关重要.
- 传统方法可能并不总能捕捉到跌倒风险因素的复杂性.
研究的目的:
- 开发和评估用于预测老年人跌倒风险的机器学习模型.
- 为了比较使用不同组合的患者数据的模型的预测准确度.
- 确定是否需要先进的资产负债表评估工具来准确预测跌倒风险.
主要方法:
- 研究了一组120名老年人的队列.
- 收集的数据包括跌倒状态,身体特征,病史,听力测量,功能平衡测试和感官组织测试 (计算机化动态静脉造影).
- 机器学习模型使用这些数据集进行训练和验证.
主要成果:
- 机器学习模型整合了共同疾病,身体特征和功能平衡测试,在预测跌倒风险方面实现了100%的准确性.
- 仅使用并发症和身体特征,功能平衡测试或感官组织测试的模型的准确率分别为87.5%,83.34%和91.66%.
- 综合模型显著优于使用有限数据集的模型.
结论:
- 先进的平衡评估系统对于有效预测跌倒风险并非必不可少.
- 简单的功能平衡测试,结合患者的特征和并发症,提供了一个非常准确的方法来评估使用机器学习的跌倒风险.
- 这种方法为临床实践提供了具有成本效益和效率的替代方案.
