在中国老年人中,城市和农村的跌倒风险差异:基于机器学习的预测模型的见解

科学领域:

• 老年学是一门学科.
• 公共卫生 公共卫生
• 数据科学数据科学数据科学

背景情况:

• 老年人中的跌倒对全球健康老龄化构成重大挑战.
• 识别明显的跌倒风险因素和开发预测模型对于针对中国多样化的老年人群的有针对性的干预措施至关重要.

研究的目的:

• 确定影响中国城市和农村老年人口下降的关键因素.
• 开发和评估用于预测这些人群中跌倒风险的机器学习模型.
• 为促进健康老龄化提供差异化和精确的干预信息.

主要方法:

• 利用来自中国健康与退休长度调查 (2015年,2018年) 的5876名老年人的数据.
• 采用了五种机器学习算法,在三年内开发了对跌倒风险的预测模型.
• 使用后勤回归来识别城市和农村环境下跌的关键影响因素.

主要成果:

• 跌倒的发生率总体为22.4% (23.2%在农村,20.9%在城市).
• 常见的危险因素包括性别,年龄,跌倒史,睡眠,ADL得分,记忆力和椅子站时间.
• 确定了不同的因素:农村 (未婚,糖尿病,心脏病,记忆力药物,房子年龄);城市 (肝病,关节炎,残疾,抑郁症,手力,家庭关系,消化药物);整洁的环境保护在城市地区.
• 随机森林模型显示了最高的预测准确性 (AUC农村=0.732,城市=0.734).
• 关键预测因素各不相同:农村 (之前跌倒,性别,椅子立);城市 (之前跌倒,性别,年龄).

结论:

• 在中国,城市和农村的老年人之间,跌倒的关键因素有很大差异.
• 开发的机器学习模型有效地识别了这两个环境中的高风险个体.
• 这些发现支持有针对性的预防策略和精确的干预措施,以促进健康的衰老.