相关实验视频
Updated: Jan 13, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
机器学习模型的开发和验证,用于预测住院老年人的跌倒情况:回顾性横截面研究
Xiyao Yang1, Juan Ren1, Dan Su2,3
1Second Hospital of Anhui Medical University, No.678 Furong Road, Shushan District, Hefei, 230601, China, 86 1-809-650-2125.
JMIR aging
|January 6, 2026
概括
机器学习准确地预测住院老年人的跌倒风险. 梯度增强机模型确定了关键的风险因素,使得早期干预能够预防跌倒.
科学领域:
- 老年学是一门学科.
- 医疗信息学 医疗信息学
- 临床预测模型临床预测模型
背景情况:
- 跌倒是老年人受伤和死亡的主要原因.
- 住院的老年人患跌倒风险增加,对医疗保健构成重大挑战.
- 早期识别高风险个体对于实施预防措施至关重要.
研究的目的:
- 开发和验证机器学习模型,用于预测住院老年人的跌倒风险.
- 为了确定这一群体下降的关键预测因素.
主要方法:
- 在第三级医院对342例倒患者和684例非倒患者的数据进行了回顾性分析.
- 数据包括人口统计,并发症,实验室结果和药物使用.
- 训练和测试了七个机器学习算法,使用逐步回归,LASSO和RF-RFE进行预测器选择. 模型解释使用了SHAP.
主要成果:
- 梯度增强机 (GBM) 模型实现了最高的预测性能 (C指数为0.744).
- 发现的关键预测因素包括头,,最近跌倒史,行走辅助器使用,急诊入院,莫尔斯跌倒量表,修改的巴塞尔指数和内置导管使用.
- SHAP分析为模型的决策过程提供了洞察力.
结论:
- GBM模型是预测住院老年人跌倒风险的有效工具.
- 基于SHAP的解释有助于将这种预测模型整合到预防跌倒的临床实践中.
