A machine learning-based fall-risk score for severity of fall-related adverse outcomes in community older adults
সংরক্ষণ করুন:
Chen, H., et al., A machine learning-based fall-risk score for severity of fall-related adverse outcomes in community older adults. BMC Geriatrics, vol. 25, n. 724, 2025, 11 p.
Ref.
606421
অবস্থান:
SIIS Archivo (R.1879)
Palabras clave:
Personas mayores, Envejecimiento, Caídas, Factor de riesgo, Prevención accidentes, Tecnología, Calidad de la atención, Datos estadísticos, China
Personas mayores, Envejecimiento, Caídas, Factor de riesgo, Prevención accidentes, Tecnología, Calidad de la atención, Datos estadísticos, China
সার সংক্ষেপ:
Se han propuesto modelos que detectan el riesgo de caídas. Sin embargo, el valor de un indicador derivado de dichos modelos en la estratificación de la gravedad de las caídas no se ha estudiado lo suficiente. Este estudio desarrolló un modelo de clasificación de caídas basado en aprendizaje automático (AA), construyó una puntuación de riesgo de caídas y exploró su asociación con los resultados adversos relacionados con las caídas.<br><br>Se utilizó el algoritmo eXtreme Gradient Boosting para construir un modelo de clasificación de caídas con datos de 15.457 adultos mayores de 60 años que viven en la comunidad. De las 216 variables asociadas a las caídas, se seleccionaron las 15 más importantes para el modelado, y se evaluó su relación direccional con las caídas mediante el valor SHapley Additive Explanation (SHAP).<br><br>Los participantes tenían una edad media de 85,4 años, el 56,3% eran mujeres, y la prevalencia de antecedentes de caídas era del 22,5%. Las mujeres y los participantes mayores fueron más propensos a sufrir caídas y a experimentar consecuencias adversas. La incapacidad para levantarse después de estar sentado en una silla fue el predictor más importante de un mayor riesgo de caídas. Una pequeña circunferencia de la pantorrilla y una dieta baja en vegetales se asociaron con un mayor riesgo de caídas.<br><br>La ML-FRS podría utilizarse para detectar el riesgo de caídas y las consecuencias adversas relacionadas con las caídas en adultos mayores que viven en la comunidad.
Se han propuesto modelos que detectan el riesgo de caídas. Sin embargo, el valor de un indicador derivado de dichos modelos en la estratificación de la gravedad de las caídas no se ha estudiado lo suficiente. Este estudio desarrolló un modelo de clasificación de caídas basado en aprendizaje automático (AA), construyó una puntuación de riesgo de caídas y exploró su asociación con los resultados adversos relacionados con las caídas.<br><br>Se utilizó el algoritmo eXtreme Gradient Boosting para construir un modelo de clasificación de caídas con datos de 15.457 adultos mayores de 60 años que viven en la comunidad. De las 216 variables asociadas a las caídas, se seleccionaron las 15 más importantes para el modelado, y se evaluó su relación direccional con las caídas mediante el valor SHapley Additive Explanation (SHAP).<br><br>Los participantes tenían una edad media de 85,4 años, el 56,3% eran mujeres, y la prevalencia de antecedentes de caídas era del 22,5%. Las mujeres y los participantes mayores fueron más propensos a sufrir caídas y a experimentar consecuencias adversas. La incapacidad para levantarse después de estar sentado en una silla fue el predictor más importante de un mayor riesgo de caídas. Una pequeña circunferencia de la pantorrilla y una dieta baja en vegetales se asociaron con un mayor riesgo de caídas.<br><br>La ML-FRS podría utilizarse para detectar el riesgo de caídas y las consecuencias adversas relacionadas con las caídas en adultos mayores que viven en la comunidad.
MARC
| LEADER | 00000nam a2200000 4500 | ||
|---|---|---|---|
| 005 | 20260126123604.0 | ||
| 008 | 250723b2025 sp ||||| |||| 00| 0 spa d | ||
| 939 | |a 20250723 | ||
| 999 | |c 606421 |d 606421 | ||
| 022 | |a 1471-2318 | ||
| 040 | |a SIIS |b spa |d siis | ||
| 041 | |a eng | ||
| 100 | |a Chen, H. | ||
| 245 | |a A machine learning-based fall-risk score for severity of fall-related adverse outcomes in community older adults | ||
| 520 | |a Se han propuesto modelos que detectan el riesgo de caídas. Sin embargo, el valor de un indicador derivado de dichos modelos en la estratificación de la gravedad de las caídas no se ha estudiado lo suficiente. Este estudio desarrolló un modelo de clasificación de caídas basado en aprendizaje automático (AA), construyó una puntuación de riesgo de caídas y exploró su asociación con los resultados adversos relacionados con las caídas.<br><br>Se utilizó el algoritmo eXtreme Gradient Boosting para construir un modelo de clasificación de caídas con datos de 15.457 adultos mayores de 60 años que viven en la comunidad. De las 216 variables asociadas a las caídas, se seleccionaron las 15 más importantes para el modelado, y se evaluó su relación direccional con las caídas mediante el valor SHapley Additive Explanation (SHAP).<br><br>Los participantes tenían una edad media de 85,4 años, el 56,3% eran mujeres, y la prevalencia de antecedentes de caídas era del 22,5%. Las mujeres y los participantes mayores fueron más propensos a sufrir caídas y a experimentar consecuencias adversas. La incapacidad para levantarse después de estar sentado en una silla fue el predictor más importante de un mayor riesgo de caídas. Una pequeña circunferencia de la pantorrilla y una dieta baja en vegetales se asociaron con un mayor riesgo de caídas.<br><br>La ML-FRS podría utilizarse para detectar el riesgo de caídas y las consecuencias adversas relacionadas con las caídas en adultos mayores que viven en la comunidad. | ||
| 650 | |a Personas mayores | ||
| 650 | |a Envejecimiento | ||
| 650 | |a Caídas | ||
| 650 | |a Factor de riesgo | ||
| 650 | |a Prevención accidentes | ||
| 650 | |a Tecnología | ||
| 650 | |a Calidad de la atención | ||
| 650 | |a Datos estadísticos | ||
| 651 | |a China |9 2097411 | ||
| 653 | |a Mayores | ||
| 655 | |a Documental | ||
| 700 | |a et al. | ||
| 773 | |g vol. 25, n. 724, 2025, 11 p. |t BMC Geriatrics | ||
| 856 | |u https://www.siis.net/documentos/ficha/606421.pdf |z Enlace web | ||
| 856 | |u https://siis10.sharepoint.com/:b:/r/sites/SIISHistorico/Documentos%20compartidos/srvdatos%20SIIS/docus/Revistas%20electr%C3%B3nicas/BMC%20Geriatrics%20R.1879/2025/A_machine_learning_based_fall.pdf?csf=1&web=1&e=ZOGe6a |z Path | ||
| 926 | |a Karina | ||
| 931 | |a CTLG_MSS | ||
| 998 | |a AR | ||
| 952 | |a SIS |c SIS |o Archivo (R.1879) | ||