人工智能驱动的跨世代落预测:为年轻人,中年人和老年人整合深度学习和机器学习

科学领域:

• 老年学与公共卫生
• 医疗保健中的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 布在所有年龄组都构成重大公共卫生风险.
• 现有的人工智能 (AI) 模型用于降落风险预测缺乏比较性能数据和对年轻人群适用性的清晰度.
• 这项研究解决了需要强大的,包括年龄在内的跌倒风险预测模型的需求.

研究的目的:

• 开发和比较各种机器学习 (ML) 和深度学习 (DL) 模型,用于降落风险预测.
• 确定不同成年年龄组中跌倒的关键预测特征.
• 为了评估模型的性能和在多样化的人群中的概括性.

主要方法:

• 训练和评估了5个ML模型 (KNN,RF,GBDT,XGBoost,CatBoost) 和2个DL模型 (GRU,AGRU) 在1441名社区成年人的数据上.
• 使用准确度,精度,回忆,F1得分和AUROC进行模型评估.
• 进行了年龄分层分析 (20-45,46-65,>65岁) 并使用SHapley添加剂解释解释了特征的重要性.

主要成果:

• AGRU深度学习模型表现出卓越的性能,准确率为91.39%,整体AUROC为0.934.
• 脉率,独自生活,缩血压,5次坐立测试和性别被确定为一般人群中主要的跌倒预测因素.
• 跌倒风险的顶级预测因素在分析的年龄层中存在显著差异.

结论:

• 开发了一种强大且可解释的深度学习模型 (AGRU),用于跨年龄组识别跌倒风险.
• 年龄特定的风险因素强调了个性化防摔策略的重要性.
• 外部验证显示适度的概括性,突出需要更大,多样化的数据集和基于传感器的数据集成,以临床应用.