NOVEL INSIGHTS ON THE RELATIVE IMPORTANCE OF CLINICAL AND GAIT MEASURES FOR DETECTING FALL RISK IN OLDER ADULTS
Notice bibliographique
Résumé
Abstract We sought to extend recent research that explored model-based approaches for combining clinical and gait measures to determine the most sensitive grouping for retrospectively classifying fallers from non-fallers which resulted in a model with 92% sensitivity and 66% specificity and an overall model of 83%. In the present study, the clinical assessment battery was augmented by incorporating more challenging balance items while removing clinical measures characterized by ceiling effects and restricted range. Thirty-two community-dwelling older adults (>70yrs, 16 fallers, 16 non-fallers) completed a battery comprising 76 measures of more challenging clinical measures of mobility and balance, and retained gait (GaitRITE), postural sway and physiological measures. Within each domain, highly collinear and theoretically-redundant measures were removed. Next, a Principal Component Analysis (PCA) identified those clinical and gait variables that accounted for the most unique variance. Finally, a backward stepwise logistic regression was performed on the reduced set of variables from the PCA to develop predictive equations. The current analysis yielded improved specificity of 75%, but slightly lower sensitivity 81%. Interestingly, when the results for the PCA from the previous study were used with the current data, the model classified fallers with 87% sensitivity and 86% specificity and an overall model of 86%. Notably, in all analyses, gait variables were central in identifying fall risk, with single- vs. dual-task difference scores of particular predictive importance. The differences observed between the best-fitting models across the two cohorts implies that modelling methods should accommodate and harness individual differences (e.g., machine learning techniques).
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 | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,002 | 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 ».