The Combination Of Force Plate Posturography And Machine Learning Predicts Fall Risk In Older Adults
Notice bibliographique
Résumé
Falls remain the leading cause of injury related hospitalizations, morbidity, and mortality amongst seniors. Additionally, postural instability increases as one ages. As such, a sensitive, reliable, and convenient method for predicting falls among older adults is crucial. Measuring centre of pressure deviation from force plate posturography has been shown to be an effective tool in predicting falls among older adults; however, the addition of machine-learning algorithms have not been directly evaluated. PURPOSE: To develop machine-learning models that can provide clinicians with rapid, objective decision support metrics for fall risk among older adults using force plate posturography. METHODS: Fifty community dwelling older adults completed a two-part test consisting of a Timed up & Go (TUG) portion and a force plate portion. Participants stood on a force plate with their centre of pressure (CoP) displayed on a screen in front of them. They were then prompted to shift their centre of pressure left and right to a box displayed on the screen, aiming to reach and maintain a stable position within the box for approximately 3 seconds. Participants were classified as Fallers (F, TUG≥13.5 s) or Non-Fallers (NF, TUG<13.5 s) and balance metrics were compared between groups. RESULTS: Multiscale vertical entropy (F: 43.9 ± 9.4; NF: 50.0 ± 8.9, p = 0.037), multivariate multiscale entropy (F: 42.2 ± 7.0; NF: 47.2 ± 8.7, p = 0.037), and phase angle variability about the frontal plane (F: 24.0 ± 3.0 rad; NF: 26.2 ± 3.5, p = 0.033) were significantly lower in F compared to NF. No other calculated balance metrics were significantly different between groups. The developed machine-learning algorithm was able to correctly classify fallers and non-fallers (AUC = 0.73). CONCLUSION: Fallers may have a reduced ability to make fine adjustments in their movement in order to maintain balance compared to non-fallers. F can be classified based on three metrics largely related to the complexity of movement and the inability to control small, complex movements of the centre of pressure. Individuals at risk of falls can be classified objectively using machine-learning analysis of force plate posturography. Supported by Mount Royal University's Innovation Fund Grant
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».