IFRA：基于机器学习的器械化跌倒风险评估量表——源自脑卒中患者器械化起立行走测试
机器学习
2026-01-22 v2 人工智能
摘要
背景/目的：跌倒是脑卒中幸存者的主要健康问题，需要有效的风险评估工具。本研究提出了器械化跌倒风险评估（IFRA）量表，这是一种源自器械化起立行走（ITUG）测试数据的新型筛查工具，旨在捕捉传统量表常遗漏的移动性指标。方法：我们采用两步机器学习方法来开发 IFRA 量表：首先，从 ITUG 数据中识别预测性移动特征；其次，创建分层策略以将患者分类为低、中或高跌倒风险类别。本研究纳入了142名参与者，被分为训练集（包括合成病例）、验证集和测试集（包括22名非跌倒者和10名跌倒者）。使用 Fisher 精确检验将 IFRA 的性能与传统临床量表（如标准 TUG 和 Mini-BESTest）进行比较。结果：机器学习分析确定了特定特征作为关键预测因子，即垂直和内外侧加速度，以及行走和由坐到走转换期间的角速度。IFRA 显示出与跌倒状态具有统计学显著相关性（Fisher 精确检验 p = 0.004），并且是唯一一个将超过一半的实际跌倒者归入高风险类别的量表，在该数据集中优于对比的临床量表。结论：这项概念验证研究表明了 IFRA 作为脑卒中后患者跌倒风险分层的自动化补充方法的潜力。虽然 IFRA 显示出有前景的判别能力，特别是在识别高风险个体方面，但这些初步发现需要在更大的队列中进行验证后才能进行临床实施。
引用
@article{arxiv.2501.09595,
title = {IFRA: a machine learning-based Instrumented Fall Risk Assessment Scale derived from Instrumented Timed Up and Go test in stroke patients},
author = {Simone Macciò and Alessandro Carfì and Alessio Capitanelli and Peppino Tropea and Massimo Corbo and Fulvio Mastrogiovanni and Michela Picardi},
journal= {arXiv preprint arXiv:2501.09595},
year = {2026}
}
备注
26 pages, 2 figures, 4 tables