相关实验视频
Updated: Jan 17, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
用先进的机器学习技术预测中国社区中老年人中跌倒风险:一项回顾性研究
Aihong Liu1, Lingling Zhang1, Debin Huang2
1Department of Nursing, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Frontiers in public health
|September 17, 2025
概括
使用CatBoost的新机器学习模型有效地预测了老年人的跌倒风险. 这种工具可以通过早期临床评估和干预策略来帮助预防跌倒.
科学领域:
- 老年学是指老年学的学科.
- 人工智能的人工智能
- 公共卫生 公共卫生
背景情况:
- 居住在社区的老年人有较高的跌倒风险,导致严重的发病率和死亡率.
- 早期识别有风险的个体对于实施预防措施至关重要.
- 现有的落风险评估方法可能缺乏有效干预所需的精度.
研究的目的:
- 开发和评估一种先进的机器学习模型,用于预测社区老年人的跌倒风险.
- 确定导致这一群体下降风险的关键因素.
- 为早期跌倒预防策略提供可操作的见解.
主要方法:
- 招募了977名社区老年人的队列,通过结构化问卷收集数据.
- 参与者被随机分配到培训 (732) 和测试 (245) 组.
- 五个机器学习模型 (随机森林,GBDT,LGBM,XGBoost,CatBoost) 和物流回归被使用AUC,准确性,精度,灵敏度,特异性和F1得分进行了比较.
主要成果:
- CatBoost模型实现了0.8719的最高曲线下面积 (AUC),与其他模型相比,显示出优异的预测性能.
- 由SHapley添加物扩展 (SHAP) 确定的关键预测因素包括跌倒史,并发病,多药性,睡眠障碍,ADL,TUG结果,脆弱性和辅助设备使用.
- 在研究人群中,跌倒的总发病率为20.0% (在977名参与者中,有195人).
结论:
- 基于CatBoost的机器学习模型在预测社区老年人中跌倒风险方面表现出色.
- 这种模型可以作为早期临床评估和制定有针对性的防摔计划的宝贵工具.
- 识别高风险个体可以及时进行干预,以减少跌倒的发生率并改善生活质量.
