使用传感器和机器学习预测痴呆症患者的安全事故亚型:一项观察性研究

科学领域:

• 老年学是一门学科.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 痴呆症带来了重大的安全风险,包括身体伤害和流浪.
• 家庭传感器为监测痴呆症患者提供了一种新的方法.
• 预测特定的事故亚型对于有针对性的干预至关重要.

研究的目的:

• 开发和比较机器学习模型,用于预测与痴呆相关的安全事故亚型.
• 确定身体伤害,夜间行为/流浪和危险行为的关键预测因素.
• 评估家庭传感器数据在痴呆症安全监测中的实用性.

主要方法:

• 一项观察性研究利用了966天的家庭传感器数据,可穿戴的Actiwatch睡眠数据和护理人员安全日记.
• 训练了五种机器学习分类模型,以预测身体伤害,夜间行为/流浪和危险行为.
• 评估了模型性能,并提取了特征的重要性.

主要成果:

• 渐变增强模型在预测身体伤害和夜间行为方面表现出色.
• CatBoost模型在预测风险行为方面表现出卓越的性能.
• 家庭传感器衍生的活动模式是关键预测因素,特别是在夜间的行为和流浪.

结论:

• 机器学习模型,特别是那些使用家庭传感器数据的机器学习模型,在识别患有痴呆症的高风险个体方面表现有前途.
• 这些技术可以帮助日常监控痴呆症患者的安全.
• 进一步的研究应该集中在将这些预测方法整合到临床实践中.