Machine learning approaches and risk factors for fall risk prediction in Canadian community-dwelling older adults: A scoping review protocol
Notice bibliographique
Résumé
Machine learning is a subset of artificial intelligence that is emerging as a powerful tool in healthcare research for analyzing complex datasets and identifying nonlinear relationships that traditional statistical methods might overlook (Ostojic et al., 2024). Falls among older adults are a worldwide public health concern (WHO, 2021) and are the leading cause of injury in Canada’s aging population (Public Health Agency of Canada, 2014). Machine learning approaches to predict fall risk offer new perspectives on a longstanding problem but remain limited in studies involving Canadian community-dwelling older adults. In an era of open-access information and the availability of large health datasets that include questions about falls, it is crucial to use these resources to understand the factors that predict fall risk. This scoping review aims to identify existing machine learning approaches to predict fall risk among Canadian community-dwelling older adults using self-reported survey data.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,008 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,008 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,011 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».