机器学习在跌倒预测中的应用：面向急性神经科住院患者人群的基于认知的跌倒预测因子
计算机与社会
2018-07-03 v1 机器学习
摘要
背景信息：跌倒与高昂的直接和间接成本相关，并给患者带来显著的发病率和死亡率。病理性跌倒通常是运动系统和/或认知功能受损的结果。基于这一前提预测跌倒的研究开展得很少。目的：证明认知和运动测试可用于创建稳健的跌倒预测工具。方法：在一家三级神经科中心，从323名患者组成的队列中收集了三项注意力与执行功能测试（Stroop、Trail Making和语义流畅性）、一项身体功能测量（Walk-12）、一系列问题（关于近期跌倒、手术和身体功能）以及人口统计学信息。主要结局是住院期间的跌倒（n = 54）。采用数据驱动的预测建模，以识别在预测跌倒方面最准确且能产生与临床相关的最简约模型的统计建模策略。结果：Trail测试被确定为最佳的跌倒预测因子。此外，在Trail测试结果的基础上添加任何其他变量均未改善预测效果（Wilcoxon符号秩检验 p < .001）。仅基于Trail测试结果的随机森林是预测跌倒的最佳统计策略（Wilcoxon符号秩检验 p < .001）。在相关数据可用的情况下，对该模型进行调优得到以下优化值：68% (+- 7.7) 灵敏度，90% (+- 2.3) 特异度，以及60%的阳性预测值。结论：预测建模识别出了一种基于单一临床测试（Trail测试）的简单而强大的机器学习预测策略。预测评估表明该策略是稳健的，这表明预测建模和机器学习可作为未来预测工具的标准。
引用
@article{arxiv.1607.07751,
title = {Machine Learning in Falls Prediction; A cognition-based predictor of falls for the acute neurological in-patient population},
author = {Bilal A. Mateen and Matthias Bussas and Catherine Doogan and Denise Waller and Alessia Saverino and Franz J Király and E Diane Playford},
journal= {arXiv preprint arXiv:1607.07751},
year = {2018}
}