一种优化临床跌倒风险预测的可解释数据驱动方法
机器学习
2026-01-29 v2
摘要
在本研究中，我们旨在通过数据驱动建模方法，将 Johns Hopkins 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 月期间来自三家 Johns Hopkins 卫生系统医院的 54,209 例住院记录进行了回顾性队列分析。共有 20,208 例入院被纳入为高跌倒风险就诊，13,941 例被纳入为低跌倒风险就诊。为了融入临床知识并保持可解释性，我们采用了约束分数优化（CSO）模型来重新加权 JHFRAT 的评分权重，同时保留其加法结构和临床阈值。重新校准是指调整各项权重，使得所得分数能够根据研究中的风险标签更一致地对就诊进行排序，且不改变工具的形式或部署工作流。该模型在预测性能上较当前 JHFRAT 有显著提升（CSO AUC-ROC=0.91，JHFRAT AUC-ROC=0.86）。这种性能提升转化为在整个 Johns Hopkins 卫生系统中每周可额外保护 35 名高风险患者。无论是否包含 EHR 变量，约束分数优化模型的表现均相似。尽管基准黑盒模型（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 在风险标签变化上表现出更强的鲁棒性。这种基于证据的方法为卫生系统利用数据驱动优化技术系统地加强住院患者跌倒预防协议和患者安全提供了稳健的基础，有助于改善医疗环境中的风险评估和资源分配。
引用
@article{arxiv.2601.05194,
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 Holley Farley and Kimia Ghobadi},
journal= {arXiv preprint arXiv:2601.05194},
year = {2026}
}
备注
This work was intended as a replacement of arXiv:2510.20714 and any subsequent updates will appear there