使用机器学习模型来预测老年人地面下跌:揭示因素和模式

科学领域:

• 老年学是一门学科.
• 数据科学数据科学数据科学
• 创伤外科 手术 创伤外科

背景情况:

• 老年人跌倒对创伤入院的负担很大.
• 机器学习 (ML) 越来越多地用于分析复杂的健康数据.
• 识别跌倒风险因素对于有效预防至关重要.

研究的目的:

• 利用ML算法来识别老年人地面下跌的风险因素和模式.
• 为了比较老年人和年轻人之间的秋季预测指标.
• 为了揭示老年人跌倒的隐藏模式,使用无监督学习.

主要方法:

• 追溯分析2,391人 (2017-2022) 创伤入院的地面跌倒.
• 开发监督的ML模型 (决策树,SVM,后勤回归) 来预测老年人跌倒.
• 在1,742个老年人中应用了无监督的ML方法 (PCA,等级分类,市场篮分析) 对老年人落记录.

主要成果:

• 监督模型始终认为女性性别是老年人跌倒的重要预测因素.
• 无监督学习揭示了特定的天气变量和跌倒之间的关联.
• 在老年人摔倒的数据集中发现了不同的模式和分组.

结论:

• 机器学习模型可以有效地识别老年人跌倒的关键风险因素.
• 调查结果可以为有针对性的宣传活动和外展计划提供信息.
• 这种方法提高了对老年人群下降机制的理解.