为社区居住的老年人开发跌倒风险分类模型,使用隐性类分析和机器学习

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:

• 居住在社区的老年人面临着严重的跌倒风险.
• 准确识别落风险群体对于有效预防至关重要.

研究的目的:

• 在韩国社区居住的老年人中确定不同的跌倒风险群体.
• 开发一种分类模型,用于调查与跌倒风险相关的因素.

主要方法:

• 利用来自2020年韩国老年人调查的9,231名老年人的数据.
• 采用隐性类别分析,根据跌倒指标定义跌倒风险组.
• 开发了分类模型 (XGBoost) 来预测组成员身份.

主要成果:

• 一个三类模型 (低,中等,高跌倒风险) 证明了最佳的解释性和适合性.
• 该XGBoost模型实现了高性能 (精度=0.70,F1得分=0.68).
• 重要风险因素包括自我评估的健康状况,认知功能,医疗保健利用率和对日常生活的帮助需求.

结论:

• 该研究成功地区分了跌倒风险水平,支持预防性医疗保健方法.
• 确定了关键的风险因素,为为老年人制定个性化防摔计划提供了基础.