Biblioteca122.739 documentos en línea

Artículo

Comparing Machine Learning Methods to Improve Fall Risk Detection in Elderly with Osteoporosis from Balance DataComparación de métodos de aprendizaje automático para mejorar la detección del riesgo de caídas en ancianos con osteoporosis a partir de datos de equilibrio

Resumen

Las caídas son una causa multifactorial de lesiones en las personas mayores. Los sujetos con osteoporosis son especialmente vulnerables a las caídas. Estudiamos el rendimiento de diferentes métodos computacionales para identificar a las personas con osteoporosis que experimentan una caída mediante el análisis de los parámetros del equilibrio. Los parámetros de equilibrio, procedentes de estudios posturográficos con ojos abiertos y cerrados, y el registro prospectivo de caídas se obtuvieron de una muestra de 126 mujeres mayores comunitarias con osteoporosis (edad 74,3 ± 6,3) mediante el Cuestionario de la Organización Mundial de la Salud para el estudio de caídas durante un seguimiento de 2,5 años. Se analizó el rendimiento del modelo para determinar las caídas de cada modelo desarrollado y validar la relevancia de los conjuntos de parámetros seleccionados. Los principales hallazgos de esta investigación fueron (1) los modelos construidos utilizando métodos de sobremuestreo con el clasificador IBk (KNN) o Random Forest pueden considerarse buenas opciones para un test clínico predictivo y (2) el método de selección de características para clases minoritarias (FSMC) seleccionó parámetros de equilibrio previamente desapercibidos, lo que implica que los métodos de computación inteligente pueden extraer información útil con atributos que, de otro modo, no son tenidos en cuenta por los expertos. Por último, los resultados obtenidos sugieren que el clasificador Random Forest que utiliza el método de sobremuestreo para equilibrar los datos independientemente del conjunto de variables utilizadas obtuvo el mejor rendimiento global en medidas de sensibilidad (>0,71), especificidad (>0,18), valor predictivo positivo (VPP >0,74) y valor predictivo negativo (VPN >0,66) independientemente del conjunto de variables utilizadas. Aunque el clasificador IBk se construyó con datos de sobremuestreo teniendo en cuenta la información de los ojos abiertos y cerrados, el uso de todas las variables obtuvo el mejor rendimiento (sensibilidad >0,81, especificidad >0,19, VPP = 0,97 y VPN = 0,66).

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento