一种可解释的数据驱动方法用于优化临床跌倒风险评估
机器学习
2026-02-09 v2
摘要
在本研究中，我们旨在通过数据驱动建模方法，使约翰霍普金斯跌倒风险评估工具（JHFRAT）的跌倒风险预测与额外的临床有意义指标更好地对齐。我们对2022年3月至2023年10月期间来自约翰霍普金斯健康系统三家医院的54,209例住院患者进行了回顾性分析。其中，20,208例入院被归类为高跌倒风险事件，13,941例被归类为低跌倒风险事件。为了融入临床知识并保持可解释性，我们在JHFRAT评估数据和额外的电子健康记录（EHR）变量上采用了约束分数优化（CSO）模型。该模型在预测性能上比当前的JHFRAT有显著提升（CSO AUC-ROC=0.91，JHFRAT AUC-ROC=0.86）。约束分数优化模型在使用和不使用EHR变量时表现相似。尽管基准黑箱模型（XGBoost）在性能指标上优于基于知识的约束逻辑回归（AUC-ROC=0.94），但CSO在风险标签变化时表现出更强的鲁棒性。这种基于证据的方法为卫生系统提供了一个坚实的基础，使其能够利用数据驱动的优化技术系统地加强住院患者跌倒预防方案和患者安全，有助于改善医疗环境中的风险评估和资源配置。
引用
@article{arxiv.2510.20714,
title = {An interpretable data-driven approach to optimizing clinical fall risk assessment},
author = {Fardin Ganjkhanloo and Emmett Springer and Erik H. Hoyer and Daniel L. Young and Kimia Ghobadi},
journal= {arXiv preprint arXiv:2510.20714},
year = {2026}
}