DEVELOPING A SIMPLE ALGORITHM TO PREDICT FALLS IN PRIMARY CARE OLDER PATIENTS
Notice bibliographique
Résumé
We aimed to establish an algorithm to identify older adults at risk of falling using Classification Regression Trees (with CHAID). We used longitudinal data (2012–2014) with 1662 participants completed the second assessment. The following risk factors for falls were entered in the CHAID: age, sex, BMI, multimorbidity, cognitive deficit, depression, number of falls in last year, fear of Falling (FOF), chair-rise speed, balance, and gait speed. The CHAID identified six end nodes with three levels of partitions and four partitioning variables: number of falls, FOF, chair-rise score, and age group. CHAID identified three subgroups based on number of falls (none, one, ≥ two). Then, the ‘no falls’ subgroup was split using FOF into high and moderate FOF groups. Those with multiple falls were also split by their chair-rise speed into ‘slow or fast’ and intermediate speed groups. Then the ‘slow or fast’ group was further split into two age groups (64–69 and 70–75). Overall, those with more than two falls last year, slow or fast chair-rise speed, and aged 64–69 years had the greatest odds of falls (OR: 5.25, 95%CI: 3.16–8.88). While those who had no falls last year and low or medium FOF had the lowest odds of falls (0.42, 95%CI: 0.33–0.52).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».