利用机器学习来识别印度老龄化人口中秋季预测因素:LASI的发现
Mrinmoy Pratim Bharadwaz1, Jumi Kalita2, Anandita Mitro3
1RWE/HEOR/ES, Axtria India Pvt. Limited, Pune, Maharashtra, India.
BMC geriatrics
|March 18, 2025
概括
抑郁症显著增加了80%的老年人跌倒的风险. 机器学习将地区,多病症和性别确定为主要的跌倒预测因素,突出显示了综合精神和身体健康战略的必要性.
科学领域:
- 老年学是指老年学的学科.
- 公共卫生 公共卫生
- 数据科学数据科学数据科学
背景情况:
- 抑郁症会对精神和肌肉骨健康产生负面影响,在老年人中增加跌倒风险.
- 跌倒对老年人来说是一个主要问题,导致严重的发病率和死亡率.
- 识别跌倒的预测因素对于制定有针对性的预防策略至关重要.
研究的目的:
- 调查老年人抑郁症和跌倒之间的关联.
- 通过机器学习方法识别老年人跌倒的预测因素.
- 量化与抑郁症相关的跌倒风险增加.
主要方法:
- 利用了来自印度长度衰老研究 (LASI) 的数据,其中包括44,066名45岁及以上的参与者.
- 采用条件推理树 (CIT) 机器学习方法来评估关联并识别预测因素.
- 使用CIDI-SF尺度测量抑郁症,并通过双变交叉表格分析跌倒患病率.
主要成果:
- 10.8%的老年人报告发生过跌倒事件.
- 在CIT模型中,该地区被确定为跌倒的重要预测因素,多病症,抑郁症,睡眠问题和性别也是主要因素.
- 与非抑郁症患者相比,患有抑郁症的老年人发生的跌倒事件大约高出80%.
结论:
- 抑郁症与老年人跌倒风险增加之间存在显著的关联.
- 条件推理树 (CIT) 方法有效地识别了高精度的关键跌落预测因素.
- 一种多层次的,跨部门的方法,重点关注身体和心理健康,特别是抑郁症,对于老年人群的跌倒预防至关重要.
