一个基于机器学习的跌倒风险评分,用于社区老年人中跌倒相关不良结果的严重程度

科学领域:

• 老年学是一门学科.
• 医疗保健中的人工智能
• 公共卫生 公共卫生

背景情况:

• 现有的跌倒风险模型缺乏用于严重程度分层的验证指标.
• 与跌倒相关的不良结果显著影响社区老年人的健康和独立性.

研究的目的:

• 开发基于机器学习 (ML) 的秋季分类模型.
• 构建一个基于ML的新型落风险评分 (ML-FRS).
• 探索ML-FRS与落相关的不良结果之间的关联.

主要方法:

• 利用了对15457名社区成年人 (≥60岁) 的数据进行极端梯度提升.
• 选择了15个关键的落相关变量,用SHAP值评估它们的影响.
• 在3,514名参与者中生成了ML-FRS并分析了其与复发性跌倒或需要治疗的跌倒的关联.

主要成果:

• 在ML模型中,AUC达到0.797.7.
• 不能从椅子上站起来是跌倒风险最强的预测因素.
• 较高的ML-FRS四分位数与较高的跌倒风险显著相关 (治疗和未治疗,一次性和复发性).

结论:

• ML-FRS在查跌倒风险方面证明了它的有用性.
• 通过ML-FRS,可以识别有不良落相关结果风险的老年人.
• 这一分数可以帮助社区住户老年人制定积极的防摔策略.