岳躍學(xué)，賈玉玲，王秀紅*

1.貴州醫(yī)科大學(xué)護(hù)理學(xué)院，貴州 550025；2.貴州醫(yī)科大學(xué)

跌倒是65 歲及以上老年人創(chuàng)傷和死亡的主要原因[1]。中國(guó)健康與養(yǎng)老追蹤調(diào)查顯示，城市老年人2 年跌倒發(fā)生率為20%左右，70 歲以上的中高齡老年人跌倒發(fā)生率高于低齡老年人[2]。跌倒會(huì)導(dǎo)致許多負(fù)面后果，包括嚴(yán)重受傷、行動(dòng)能力下降和喪失獨(dú)立性；同時(shí)，也會(huì)讓老年人產(chǎn)生焦慮、抑郁、跌倒、恐懼等不良情緒，影響身體康復(fù)[3]，給家庭和社會(huì)造成沉重的精神負(fù)擔(dān)和經(jīng)濟(jì)負(fù)擔(dān)。研究顯示，美國(guó)2015 年與跌倒相關(guān)醫(yī)療費(fèi)用超過(guò)500 億美元[4]；中國(guó)估計(jì)每年有2 600 萬(wàn)老年人發(fā)生跌倒，需要約50 億元的直接醫(yī)療成本和600 億～800 億元的社會(huì)成本[5]。國(guó)內(nèi)外研究指出，使用合適的測(cè)評(píng)工具對(duì)老年人跌倒風(fēng)險(xiǎn)進(jìn)行評(píng)估，有助于制定針對(duì)性干預(yù)措施，以減少老年人跌倒的發(fā)生，對(duì)提高老年人生存率和生活質(zhì)量，降低醫(yī)療和照顧負(fù)擔(dān)具有重要意義[6-8]。但國(guó)內(nèi)外使用的老年人跌倒風(fēng)險(xiǎn)預(yù)測(cè)工具繁多，各種工具有效評(píng)估指標(biāo)各異，評(píng)估內(nèi)容及適用人群不統(tǒng)一，造成預(yù)測(cè)結(jié)果與老年人真實(shí)跌倒現(xiàn)況存在差距。鑒于此,本研究對(duì)目前國(guó)內(nèi)外常用的跌倒風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行總結(jié)、分析，以期為國(guó)內(nèi)臨床、社區(qū)跌倒護(hù)理實(shí)踐和跌倒風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建與驗(yàn)證提供思路。

1 風(fēng)險(xiǎn)預(yù)測(cè)模型概述

風(fēng)險(xiǎn)預(yù)測(cè)模型研究的目的是估計(jì)一個(gè)特定的個(gè)體概率結(jié)果，分為診斷模型（癥狀或疾病是否存在）和預(yù)后模型（一個(gè)特定的結(jié)果是否將在未來(lái)發(fā)生）[9]。目前，預(yù)測(cè)模型的開(kāi)發(fā)、驗(yàn)證和更新是臨床研究的熱點(diǎn)和重點(diǎn)[10]。傳統(tǒng)風(fēng)險(xiǎn)預(yù)測(cè)模型中的Logistic 回歸模型可以直接對(duì)跌倒評(píng)估量表測(cè)量結(jié)果進(jìn)行分析[11]。隨著更大規(guī)模、更為復(fù)雜的醫(yī)療數(shù)據(jù)的產(chǎn)生及人工智能應(yīng)用的興起，人們逐漸借助可穿戴設(shè)備和機(jī)器學(xué)習(xí)技術(shù)（可以處理大量、非線性和高維數(shù)據(jù)）構(gòu)建預(yù)測(cè)模型，包括決策樹(shù)、神經(jīng)網(wǎng)絡(luò)模型和深度學(xué)習(xí)等[10,12]。預(yù)測(cè)模型的評(píng)價(jià)主要包括區(qū)分度、臨床有效性、校準(zhǔn)度，其中區(qū)分度較為常用，常見(jiàn)指標(biāo)為C 指數(shù)，即受試者工作特征曲線下面積（area under curve，AUC）、靈敏度、特異度和約登指數(shù)等[13]。靈敏度為真陽(yáng)性率，反映了將實(shí)際有病的人正確區(qū)分為陽(yáng)性的能力；特異度為真陰性率，反映了將實(shí)際無(wú)病的人正確區(qū)分為陰性的能力；約登指數(shù)為靈敏度與特異度相加減去1，反映篩查試驗(yàn)的真實(shí)性[14]。C 指數(shù)為0.50 顯示該模型有預(yù)測(cè)作用，0.51～0.70 顯示該模型為較低區(qū)分度，0.71～0.90 為中等區(qū)分度，高于0.90 為高區(qū)分度[15]。

2 常用跌倒風(fēng)險(xiǎn)預(yù)測(cè)模型

常用的老年人跌倒風(fēng)險(xiǎn)預(yù)測(cè)模型包括跌倒評(píng)估量表、可穿戴設(shè)備和機(jī)器學(xué)習(xí)。各種方法可單獨(dú)使用或聯(lián)合使用，目前，最常用的仍是量表評(píng)估預(yù)測(cè)法，但越來(lái)越多的學(xué)者嘗試引入可穿戴設(shè)備和機(jī)器學(xué)習(xí)構(gòu)建跌倒風(fēng)險(xiǎn)預(yù)測(cè)模型。通過(guò)可穿戴設(shè)備直接對(duì)量表評(píng)估結(jié)果進(jìn)行處理或與機(jī)器學(xué)習(xí)相結(jié)合，開(kāi)發(fā)跌倒風(fēng)險(xiǎn)預(yù)測(cè)平臺(tái)和系統(tǒng)，在不同場(chǎng)所中區(qū)分高跌倒人群和篩選高危跌倒風(fēng)險(xiǎn)因素，對(duì)跌倒高危人群進(jìn)行持續(xù)的跌倒風(fēng)險(xiǎn)監(jiān)測(cè)和預(yù)警，為醫(yī)療機(jī)構(gòu)和社區(qū)衛(wèi)生服務(wù)人員開(kāi)展跌倒干預(yù)精準(zhǔn)化方案提供有力支持。但上述方法各有利弊，尚需更多的隊(duì)列研究來(lái)驗(yàn)證所構(gòu)建模型的有效性。

2.1 跌倒風(fēng)險(xiǎn)評(píng)估量表 該量表因其便利性和可操作性，被國(guó)內(nèi)外學(xué)者廣泛用于預(yù)測(cè)、評(píng)估老年人跌倒風(fēng)險(xiǎn)的重要工具。目前，國(guó)內(nèi)外老年人跌倒評(píng)估工具種類繁多，包括：①跌倒風(fēng)險(xiǎn)綜合評(píng)估量表，如Morse 跌倒風(fēng)險(xiǎn)評(píng)估量表(Morse Fall Seale,MFS)、Hendrich Ⅱ跌倒風(fēng)險(xiǎn)評(píng)估量表(Hendrich ⅡFall Risk Model，HFRM)、約翰霍普金斯跌倒風(fēng)險(xiǎn)評(píng)估量表（Johns-Hopkins Fall Risk Assessment Scale，JHFRAS）、老年人跌倒風(fēng)險(xiǎn)評(píng)估量表(Fall Risk Assessment Scale Elderly，F(xiàn)RASE) 和托馬斯跌倒風(fēng)險(xiǎn)評(píng)估量表(StThomass Risk Assessment Tool,STRATIFY)等；②跌倒相關(guān)心理評(píng)估量表，如特異性活動(dòng)平衡自信量表(Activities-Specific Balance Confidence,ABC)和跌倒效能量表(Falls Efficacy Scale，F(xiàn)ES)；③平衡功能量表，如Berg 平衡量表(Berg Balance Scale,BBS)和功能性伸展測(cè)試(Functional Reach Test,FRT)等；④跌倒預(yù)防知信行問(wèn)卷[16]。大多數(shù)量表使用信效度描述有效性，在使用地點(diǎn)和人群差異較大時(shí)，量表的推廣適用度受限。因此，越來(lái)越多的學(xué)者建議使用靈敏度和特異度等有效性指數(shù)對(duì)量表預(yù)測(cè)有效性進(jìn)行量性分析，以進(jìn)一步確定針對(duì)特定人群更有效的評(píng)估工具[17]。跌倒風(fēng)險(xiǎn)評(píng)估量表中使用較為廣泛的是MFS、HFRM、JHFRAT 和BBS。學(xué) 者Cho 等[18]對(duì)MFS、HFRM、JHFRAT 3 個(gè)量表的預(yù)測(cè)能力進(jìn)行比較，發(fā)現(xiàn)雖然JHFRAT 的準(zhǔn)確 性（74.55%）最 高，MFS 的靈敏度(59.28%)最高，但HFRM 的AUC 為0.742，高于MFS（0.641）和JHFRAT（0.708），約登指數(shù)(0.35)也高于MFS（0.24）和JHFRAT（0.19），是3 個(gè)量表中預(yù)測(cè)能力最好的跌倒評(píng)估工具。此外，該研究顯示最重要的跌倒風(fēng)險(xiǎn)因素為步態(tài)、頭暈或眩暈、精神狀態(tài)變化和跌倒史，建議急癥機(jī)構(gòu)在評(píng)估病人跌倒風(fēng)險(xiǎn)時(shí)將上述因素納為重點(diǎn)考慮因素。該研究是在一家以收治急癥病人為主的三級(jí)教學(xué)醫(yī)院進(jìn)行的，且該研究未納入已知與跌倒密切相關(guān)的年齡和性別作為風(fēng)險(xiǎn)因素，其研究結(jié)果是否能用于其他醫(yī)療環(huán)境仍需甄別。一項(xiàng)Meta分析對(duì)26 種常用于預(yù)測(cè)老年人跌倒風(fēng)險(xiǎn)的評(píng)估工具進(jìn)行比較，提出盡量選用高靈敏度、高特異度和低異質(zhì)性的量表作為評(píng)估工具[19]。目前，國(guó)外使用的大多數(shù)跌倒評(píng)估工具匯總靈敏度和匯總特異度均<0.6，且研究間異質(zhì)性較高，表明目前用于老年人的跌倒風(fēng)險(xiǎn)評(píng)估工具的預(yù)測(cè)有效性不足，不能準(zhǔn)確地預(yù)測(cè)老年人跌倒。該研究在對(duì)各評(píng)估量表進(jìn)行預(yù)測(cè)有效性比較后得出,BBS 的 特 異 度 最 高 為0.90，AUC 為0.97，因 此，BBS 被認(rèn)為是目前識(shí)別低跌倒風(fēng)險(xiǎn)老年人最有用的工具。此外，該研究建議在使用量表預(yù)測(cè)老年人跌倒風(fēng)險(xiǎn)時(shí)，聯(lián)合使用兩種量表可更好地評(píng)估多因素所致老年人跌倒特征并能最大化發(fā)揮單一量表在跌倒風(fēng)險(xiǎn)預(yù)測(cè)中的作用。

2.2 可穿戴設(shè)備 目前，臨床對(duì)老年人跌倒的評(píng)估主要依賴相關(guān)量表的主觀測(cè)量，此法受臨床時(shí)間和成本限制，且具有天花板效應(yīng)，一定程度上限制了跌倒風(fēng)險(xiǎn)的預(yù)測(cè)效果。近年來(lái)，國(guó)內(nèi)外學(xué)者積極探索更客觀的評(píng)估方法并將其與具有更佳成本效益的傳感技術(shù)和軟件通信技術(shù)結(jié)合，開(kāi)發(fā)出一系列可進(jìn)行動(dòng)態(tài)跌倒風(fēng)險(xiǎn)評(píng)估、監(jiān)測(cè)并發(fā)送警示信息的可穿戴設(shè)備。該設(shè)備體積較小、佩戴方便、成本低，主要由人體活動(dòng)檢測(cè)儀(activity monitors，AM) 和 運(yùn) 動(dòng) 檢 測(cè) 儀(movement monitors，MM)兩部分構(gòu)成，通過(guò)慣性傳感器和加速度計(jì)、陀螺儀和磁力計(jì)等設(shè)備結(jié)合，可以更客觀、高效、精確地采集人體在平衡控制中各環(huán)節(jié)空間的運(yùn)動(dòng)學(xué)參數(shù)，并實(shí)時(shí)、快速進(jìn)行數(shù)據(jù)分析及傳輸，廣泛用于老年人平衡和步態(tài)受損程度測(cè)量、輕微平衡和步態(tài)受損靈敏度測(cè)量和日常生活移動(dòng)能力的測(cè)量中[20]；甚至能通過(guò)生物反饋裝置，發(fā)送軀干傾斜信號(hào)等幫助老年人及時(shí)調(diào)整身體姿勢(shì)，以預(yù)防跌倒。一項(xiàng)研究通過(guò)開(kāi)展226 項(xiàng)測(cè)試對(duì)比基于可穿戴設(shè)備的自動(dòng)算法與理療師的觀察結(jié)果，提出使用可穿戴設(shè)備自動(dòng)算法的跌倒風(fēng)險(xiǎn)評(píng)估與觀察數(shù)據(jù)有高度一致性（范圍78.15%～96.55%）和較高程度匹配的有效性[21]。與理療師的觀察結(jié)果相比，基于可穿戴設(shè)備的自動(dòng)算法的跌倒風(fēng)險(xiǎn)預(yù)測(cè)有效性分別為：6 min 步行測(cè)試準(zhǔn)確性為94.64%，靈敏度達(dá)97.29%，特異度達(dá)89.47%；計(jì)時(shí)起立測(cè)試準(zhǔn)確性為94.64%，靈敏度為77.77%，特異度為97.87%；30 s 坐立測(cè)試準(zhǔn)確性為76.78%，靈敏度為86.20%，特異度為66.66%；4 階段平衡測(cè)試準(zhǔn)確性為76.78%，靈敏度達(dá)95.45%，特異度達(dá)8.33%?？傮w而言，基于可穿戴設(shè)備的跌倒風(fēng)險(xiǎn)自動(dòng)評(píng)估算法可將人為錯(cuò)誤風(fēng)險(xiǎn)降至最低，可用于代替較為費(fèi)力的人力觀察評(píng)估方法?？纱┐髟O(shè)備可提供準(zhǔn)確、廉價(jià)且易于管理的客觀跌倒風(fēng)險(xiǎn)評(píng)估，是一種可行的跌倒風(fēng)險(xiǎn)評(píng)估工具。目前，可為老年人提供準(zhǔn)確的跌倒風(fēng)險(xiǎn)診斷的4 種主要傳感技術(shù)為慣性傳感器、視頻/深度相機(jī)、壓力傳感平臺(tái)和激光傳感[22]。由于其廣泛的普及性、不斷降低的成本、內(nèi)置的傳感器、計(jì)算能力和通信能力，基于安卓的個(gè)人設(shè)備，如智能手機(jī)、智能手表等正被視為可穿戴跌倒檢測(cè)系統(tǒng)的一項(xiàng)有吸引力的技術(shù)。學(xué)者Casilari 等[23]基于智能手機(jī)和智能手表(均配備嵌入式加速度計(jì)和陀螺儀)，在開(kāi)發(fā)的安卓應(yīng)用程序中實(shí)現(xiàn)了不同的跌倒檢測(cè)算法，以區(qū)分跌倒與病人日常生活的常規(guī)活動(dòng)。當(dāng)兩個(gè)安卓設(shè)備同時(shí)獨(dú)立檢測(cè)到跌倒時(shí)，即會(huì)假設(shè)跌倒已經(jīng)發(fā)生。結(jié)果表明，兩個(gè)檢測(cè)設(shè)備的聯(lián)合使用明顯提高了系統(tǒng)避免誤報(bào)警或“誤報(bào)”(那些被誤識(shí)別為跌倒的傳統(tǒng)運(yùn)動(dòng))的能力，同時(shí)保持了檢測(cè)決策的有效性?；趥鞲衅鞯淖藙?shì)搖擺、功能活動(dòng)、邁步和行走的跌倒風(fēng)險(xiǎn)評(píng)估可以區(qū)分跌倒者和非跌倒者[24-25]。Marano等[26]通過(guò)智能手機(jī)應(yīng)用程序?qū)ε两鹕〔∪诉M(jìn)行為期4 周的平衡和定時(shí)起身走動(dòng)數(shù)據(jù)監(jiān)測(cè)以預(yù)測(cè)跌倒發(fā)生情況。該研究發(fā)現(xiàn)帕金森病病人跌倒發(fā)生情況與其站立時(shí)間有關(guān)，建議臨床工作者在將預(yù)防跌倒的重心從步幅、步態(tài)中轉(zhuǎn)移到病人從坐位到站立的姿勢(shì)轉(zhuǎn)換（postural transitions，PTs）中去。Zhou 等[27]采用可穿戴設(shè)備測(cè)量不同神經(jīng)系統(tǒng)疾病病人的時(shí)空步態(tài)特征來(lái)預(yù)測(cè)跌倒，結(jié)果表明偏最小二乘法(PLS-DA)分類模型對(duì)所有3 種步態(tài)任務(wù)(ST、DT1 和DT2)表現(xiàn)良好，在AUC 下的分類性能評(píng)估區(qū)域分別為0.7,0.6 和0.7。該研究得出具體的步態(tài)特征差異，提出步數(shù)、足趾離地時(shí)的足底彎曲和足跟撞擊時(shí)的足踝背屈、步幅長(zhǎng)度、步幅持續(xù)時(shí)間、步速和站立時(shí)間是區(qū)分跌倒者和非跌倒者的敏感變量。跌倒者與非跌倒者相比，步速和節(jié)奏較慢，步態(tài)變異性高，空間步態(tài)模式受損，為優(yōu)化特定跌倒預(yù)防干預(yù)措施提供了具體的方向。雖然，可穿戴設(shè)備為跌倒風(fēng)險(xiǎn)預(yù)測(cè)提供了便利，但測(cè)量參數(shù)、評(píng)估工具、傳感器位置、運(yùn)動(dòng)任務(wù)和建模技術(shù)的變化，限制了他們預(yù)測(cè)未來(lái)跌倒事件發(fā)生確定結(jié)果的能力[22]。此類裝置的能耗較高，電池供電時(shí)間較短[23]，對(duì)其平民化普及造成一定限制，在滿足老年用戶使用需求、改善用戶體驗(yàn)方面存在差距。此外，可穿戴設(shè)備放置既需考慮測(cè)量結(jié)果的準(zhǔn)確性和代表性，也需考慮佩戴對(duì)象的舒適性。目前，針對(duì)最佳放置位置仍存在爭(zhēng)議，有研究認(rèn)為胸部和腰部因靠近人體中心，更能準(zhǔn)確檢測(cè)跌倒；但也有研究認(rèn)為將可穿戴設(shè)備的傳感器固定于軀干測(cè)量結(jié)果更為準(zhǔn)確。同時(shí)考慮測(cè)量準(zhǔn)確性和舒適度仍然面臨挑戰(zhàn)。如使用口袋來(lái)保存智能手機(jī)會(huì)降低檢測(cè)程序的有效性，只要設(shè)備可以在口袋內(nèi)自由移動(dòng)，并降低內(nèi)置加速度計(jì)表征用戶移動(dòng)性的能力。但若將手機(jī)固定在病人胸部或腰部，則會(huì)影響病人的舒適度，同時(shí)妨礙了使用智能手機(jī)常規(guī)功能的自由。最后，可穿戴設(shè)備應(yīng)在針對(duì)特定醫(yī)療群體經(jīng)過(guò)有效的精度測(cè)試或可靠性檢驗(yàn)后謹(jǐn)慎使用于臨床治療和決策中。未來(lái)，仍需進(jìn)行大量前瞻性研究設(shè)計(jì)，解決上述不足，從臨床價(jià)值、易使用、易佩戴等方面建立基于可穿戴設(shè)備的跌倒風(fēng)險(xiǎn)預(yù)測(cè)模型及將其應(yīng)用于相關(guān)的智能終端和平臺(tái)[28]，以最大化發(fā)揮該設(shè)備在跌倒風(fēng)險(xiǎn)預(yù)測(cè)中的實(shí)際使用價(jià)值。

2.3 機(jī)器學(xué)習(xí) 機(jī)器學(xué)習(xí)通過(guò)識(shí)別病人數(shù)據(jù)中與研究者感興趣的臨床結(jié)果相關(guān)的多變量，開(kāi)發(fā)穩(wěn)健的預(yù)測(cè)模型[28]。機(jī)器學(xué)習(xí)算法可以在單個(gè)模型中整合大量不同數(shù)據(jù)類型(連續(xù)、分類或順序)的變量，從而最大限度地提高性能并最小化與多重比較相關(guān)的問(wèn)題。與統(tǒng)計(jì)假設(shè)檢驗(yàn)不同，機(jī)器學(xué)習(xí)側(cè)重于預(yù)測(cè)精度，并提供在未知和未來(lái)數(shù)據(jù)集上估計(jì)模型概括性的方法，兩者在臨床實(shí)踐中都至關(guān)重要。目前，在跌倒預(yù)測(cè)中應(yīng)用較多的機(jī)器學(xué)習(xí)算法是決策樹(shù)算法、支持向量機(jī)算法、樸素貝葉斯算法、隨機(jī)森林算法、人工神經(jīng)網(wǎng)絡(luò)算法和深度學(xué)習(xí)等[12,29]。決策樹(shù)是機(jī)器學(xué)習(xí)中常見(jiàn)的一種方法，處理數(shù)據(jù)效率較高，在跌倒風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建中應(yīng)用較多，可細(xì)分為分類決策樹(shù)、回歸決策樹(shù)、極端梯度提升等類型[30]。Marschollek 等[31]通過(guò)對(duì)大量老年住院病人評(píng)估數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，建立了分類樹(shù)跌倒預(yù)測(cè)模型，其總體分類準(zhǔn)確率為66.0%，靈敏度為55.4%，特異度為67.1%，陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值分別為15.0%和93.5%。該模型有效識(shí)別出高齡（70 歲以上）、低Barthel 指數(shù)（≤45 分）、認(rèn)知障礙、多重用藥和共病5 個(gè)高風(fēng)險(xiǎn)人群亞組。該模型仍需從前瞻性研究設(shè)計(jì)和經(jīng)濟(jì)學(xué)角度開(kāi)展進(jìn)一步的驗(yàn)證，此外，也有必要建立一個(gè)混合風(fēng)險(xiǎn)分類模型，以擴(kuò)大其應(yīng)用人群及范圍。Ye 等[32]基于極端梯度提升算法從電子病歷中提取165 225 例老年病人的信息并建立了1 年跌倒預(yù)測(cè)模型，該模型AUC 值為0.807，其中50%被識(shí)別高風(fēng)險(xiǎn)真陽(yáng)性的病人在第2 年的前94 d 內(nèi)發(fā)生了跌倒。該模型還提前捕捉到了第2 年前30 d 和30～60 d 發(fā)生的58.01%和54.93%的跌倒。極端梯度提升算法在最終預(yù)測(cè)模型中捕獲了157 個(gè)有影響的預(yù)測(cè)因子，其中認(rèn)知障礙、步態(tài)和平衡異常、帕金森病、跌倒史和骨質(zhì)疏松癥被確定為未來(lái)跌倒事件的前5 個(gè)最強(qiáng)預(yù)測(cè)因子。Deschamps 等[33]使用決策樹(shù)模型幫助醫(yī)務(wù)人員客觀地評(píng)估第1 次跌倒發(fā)生的風(fēng)險(xiǎn)，該模型共提取13 個(gè)預(yù)測(cè)因子，認(rèn)為營(yíng)養(yǎng)不良、膝關(guān)節(jié)活動(dòng)范圍受限、踝關(guān)節(jié)感覺(jué)減退以及聽(tīng)力和視力缺陷的老年人發(fā)生首次跌倒的風(fēng)險(xiǎn)較高。雖然該模型是可用于預(yù)測(cè)老年人首次跌倒發(fā)生的簡(jiǎn)單易用的工具，但仍需通過(guò)更大的隊(duì)列研究來(lái)驗(yàn)證其準(zhǔn)確性及臨床相關(guān)性。Tamura 等[34]通過(guò)使用BBS 進(jìn)行決策樹(shù)分析，發(fā)現(xiàn)最近1 年內(nèi)有1 次以上跌倒史、肌肉無(wú)力、使用助行器或輪椅、需要協(xié)助轉(zhuǎn)移、使用麻醉品、危險(xiǎn)行為及高度自立是跌倒的危險(xiǎn)因素。此外，提出無(wú)跌倒史、不需要協(xié)助轉(zhuǎn)運(yùn)或BBS 評(píng)分≥51 分的病人跌倒風(fēng)險(xiǎn)較低。該研究表明，基于決策樹(shù)的跌倒預(yù)測(cè)有效且直觀。但此項(xiàng)研究未納入正在使用麻醉鎮(zhèn)靜藥物的病人，因此其在不同人群預(yù)測(cè)有效性還有待驗(yàn)證。支持向量機(jī)算法主要用于解決模式識(shí)別領(lǐng)域中的數(shù)據(jù)分類問(wèn)題，屬于監(jiān)督學(xué)習(xí)算法的一種[30]。Polus 等[35]將機(jī)器學(xué)習(xí)與可穿戴設(shè)備相結(jié)合用于預(yù)測(cè)病人全髖關(guān)節(jié)置換術(shù)后跌倒的風(fēng)險(xiǎn)。提出使用僅來(lái)自術(shù)前預(yù)約的傳感器衍生度量的支持向量機(jī)分類器獲得了高性能模型（準(zhǔn)確度為0.87，靈敏度為0.97，特異度為0.46，AUC 為0.82）。當(dāng)將術(shù)后2 周的數(shù)據(jù)添加到術(shù)前數(shù)據(jù)中時(shí)，使用線性判別分析分類器獲得了整體改善的性能（準(zhǔn)確性為0.90，靈敏度為0.93，特異度為0.59，AUC 為0.88）。人工神經(jīng)網(wǎng)絡(luò)是一種具有非線性適應(yīng)性信息處理能力的算法，可克服傳統(tǒng)人工智能方法對(duì)于直覺(jué)信息處理方面的缺陷[30]。已有研究探索了人工神經(jīng)網(wǎng)絡(luò)在老年人跌倒風(fēng)險(xiǎn)預(yù)測(cè)中的作用[36]。Kabeshova 等[37]招募3 289 名65 歲及以上的社區(qū)志愿者檢驗(yàn)3 種人工神經(jīng)網(wǎng)絡(luò)多層感知器、修正的多層感知器和增強(qiáng)拓?fù)涞纳窠?jīng)進(jìn)化（neuro evolution of augmenting topologies，NEAT）對(duì)復(fù)發(fā)性跌倒者和非復(fù)發(fā)性跌倒者進(jìn)行分類的效率。結(jié)果表明，與MLP 和修正的MLP 相比，使用15 種臨床特征的NEAT 表現(xiàn)出最佳的跌倒復(fù)發(fā)預(yù)測(cè)效率，其靈敏度為80.42%，特異度為92.54%，陽(yáng)性預(yù)測(cè)值為84.38%，陰性預(yù)測(cè)值為90.34%，準(zhǔn)確性達(dá)88.39%，是識(shí)別老年社區(qū)居民復(fù)發(fā)性跌倒的有效神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)模型是機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)新的研究方向,接近于人工智能（artificial intelligence,AI）[30]。研究表明，深度學(xué)習(xí)模型中的多任務(wù)學(xué)習(xí)，可以基于可穿戴傳感器數(shù)據(jù)有效評(píng)估跌倒風(fēng)險(xiǎn)[38]。Mauldin 等[39]基于3 個(gè)不同的跌倒數(shù)據(jù)集（智能手表、Notch 及Farseeing）使用傳統(tǒng)（支持向量機(jī)和樸素貝葉斯）和非傳統(tǒng)（深度學(xué)習(xí)）機(jī)器學(xué)習(xí)算法創(chuàng)建跌倒預(yù)測(cè)模型。結(jié)果表明，深度學(xué)習(xí)能夠從原始加速度計(jì)數(shù)據(jù)中自動(dòng)學(xué)習(xí)樸素貝葉斯和支持向量機(jī)無(wú)法獲得的細(xì)微特征，用于跌倒檢測(cè)的深度學(xué)習(xí)模型在3 個(gè)數(shù)據(jù)集上的性能通常優(yōu)于更傳統(tǒng)的模型。綜上所述，目前越來(lái)越多的國(guó)內(nèi)外學(xué)者意識(shí)到了機(jī)器學(xué)習(xí)在老年人跌倒風(fēng)險(xiǎn)預(yù)測(cè)中相較傳統(tǒng)風(fēng)險(xiǎn)評(píng)估方法的巨大優(yōu)勢(shì)。將機(jī)器學(xué)習(xí)應(yīng)用于可穿戴跌倒風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)中，可以更好地提高跌倒檢測(cè)性能[40]，這也是未來(lái)可穿戴設(shè)備和機(jī)器學(xué)習(xí)在老年人跌倒風(fēng)險(xiǎn)預(yù)測(cè)中的發(fā)展趨勢(shì)和研究重點(diǎn)。但機(jī)器學(xué)習(xí)的算法較多，各種算法均有其優(yōu)缺點(diǎn)，如何基于臨床實(shí)際需求和特定研究人群特征，選取最優(yōu)的算法，調(diào)整算法學(xué)習(xí)架構(gòu)和參數(shù)以提高預(yù)測(cè)模型的有效性仍有待進(jìn)一步研究。

3 小結(jié)

老年人跌倒是一個(gè)受到全球重視的公共健康問(wèn)題，因跌倒對(duì)老年人及其家庭的危害較多較大，跌倒風(fēng)險(xiǎn)預(yù)測(cè)模型對(duì)于及時(shí)、及早識(shí)別和區(qū)分高、低跌倒風(fēng)險(xiǎn)老年人，制定精準(zhǔn)化干預(yù)措施，有效預(yù)防其跌倒具有重要價(jià)值和意義。