在认知脆弱的老年人中提前预测跌倒风险:使用2年的临床数据的机器学习方法
Catherine Park1, Namhee Kim2, Miji Kim3
1Division of Digital Healthcare, Yonsei University, Wonju, South Korea.
PloS one
|August 21, 2025
概括
机器学习能够准确地预测认知障碍的老年人的跌倒情况. 关键因素包括身体脆弱,移动性,抑郁和SARC-F得分,使得有针对性的防摔策略成为可能.
科学领域:
- 老年学
- 医疗保健中的人工智能
- 公共卫生
背景情况:
- 跌倒对老年人来说是一个很大的健康风险,尤其是那些有认知障碍的人.
- 在这个群体中预测跌倒风险仍然是一个挑战,机器学习应用的研究有限.
- 了解导致摔倒的多维因素对于有效预防至关重要.
研究的目的:
- 开发和评估用于预测CF老年人跌倒风险的机器学习框架.
- 在这个群体中确定与跌倒风险相关的关键多维健康变量.
- 评估机器学习模型的预测性能.
主要方法:
- 使用了来自韩国脆弱和衰老队列研究的443名老年CF患者的长度数据.
- 采用机器学习框架,包括后勤回归,引导和递归特征消除.
- 分析人口统计,临床情况以及身体和心理健康因素.
主要成果:
- 一个使用9个变量的机器学习模型在跌倒风险预测中获得了80%以上的AUC.
- 四个最佳变量 - - 身体虚弱的表型,移动性,抑郁症得分和SARC-F得分 - - 产生了优异的预测性能 (AUC> 95%).
- 在临床,身体和心理变量之间发现了显著的差异.
结论:
- 机器学习模型可以准确地预测认知障碍的老年人的跌倒风险.
- 身体和心理健康因素是这一群体下降的关键预测因素.
- 整合多维数据和机器学习对于制定有针对性的防摔干预措施至关重要.
