基于 Hester Davis 分数的深度学习入院跌倒预测
机器学习
2025-01-14 v1 人工智能
摘要
入院患者跌倒风险预测是临床环境中患者安全的关键方面，准确的模型可帮助预防不良事件。Hester Davis 评分（HDS）是用于评估跌倒风险的常用工具，当前临床实践依赖于基于阈值的 method。在这种方法中，当患者的 HDS 超过预定义阈值时，便被分类为高风险患者。然而，这种方法可能无法捕捉跌倒风险随时间变化的动态模式。本研究对基于阈值的方法进行建模，并提出两种机器学习方法以实现 improved 的跌倒预测：一种是 one-step ahead 跌倒预测，另一种是 sequence-to-point 跌倒预测。one-step ahead 模型使用当前时间戳的 HDS 预测下一个时间戳的风险，而 sequence-to-point 模型则利用所有前导 HDS 值通过深度学习预测跌倒风险。我们将比较这些方法以评估其在跌倒风险预测中的准确性，结果表明深度学习能够通过捕捉时间模式提升预测可靠性，超越传统基于阈值的方法。这些发现凸显了数据驱动方法在通过更可靠的跌倒预防策略提升患者安全方面的潜力。
引用
@article{arxiv.2501.06432,
title = {Deep Learning on Hester Davis Scores for Inpatient Fall Prediction},
author = {Hojjat Salehinejad and Ricky Rojas and Kingsley Iheasirim and Mohammed Yousufuddin and Bijan Borah},
journal= {arXiv preprint arXiv:2501.06432},
year = {2025}
}
备注
Accepted for presentation at IEEE SSCI 2025