Development and validation of an algorithm to assess risk of first-time falling among home care clients
Notice bibliographique
Résumé
Abstract Background The falls literature focuses on individuals with previous falls, so little is known about individuals who have not experienced a fall in the past. Predicting falls in those without a prior event is critical for primary prevention of injuries. Identifying and intervening before the first fall may be an effective strategy for reducing the high personal and economic costs of falls among older adults. The purpose of this study was to derive and validate a prediction algorithm for first-time falls (1stFall) among home care clients who had not fallen in the past 90 days. Methods Decision tree analysis was used to develop a prediction algorithm for the occurrence of a first fall from a cohort of home care clients who had not fallen in the last 90 days, and who were prospectively followed over 6 months. Ontario home care clients who were assessed with the Resident Assessment Instrument-Home Care (RAI-HC) between 2002 and 2014 (n = 88,690) were included in the analysis. The dependent variable was falls in the past 90 days in follow-up assessments. The independent variables were taken from the RAI-HC. The validity of the 1stFall algorithm was tested among home care clients in 4 Canadian provinces: Ontario (n = 38,013), Manitoba (n = 2738), Alberta (n = 1226) and British Columbia (n = 9566). Results The 1stFall algorithm includes the utilization of assistive devices, unsteady gait, age, cognition, pain and incontinence to identify 6 categories from low to high risk. In the validation samples, fall rates and odds ratios increased with risk levels in the algorithm in all provinces examined. Conclusions The 1stFall algorithm predicts future falls in persons who had not fallen in the past 90 days. Six distinct risk categories demonstrated predictive validity in 4 independent samples.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».