传统检测跌倒风险的工具是基于危险因素，而不是缓解因素。机器学习可以处理更广泛的变量，提高患者风险识别。Journal of Nursing Management杂志发表了一项研究，目的是创建一个模型，在考虑到预防跌倒变量的情况下，检测有跌倒风险的人群，并了解在不考虑它时对模型性能的影响。

数据收集日期为2018年1月1日至2019年12月31日。总样本为22515名受试者。使用2018年1月1日至12月31日之间的样本（n = 11134）来训练模型，使用2019年1月1日至12月31日之间的样本（n = 11381）来验证模型。研究进行了文献回顾，以确定跌倒的预测因素。共选取了91个变量。

样本总数为22515例，平均年龄71岁，其中72岁以上占58.5%（n = 13180）。男性占56.4%（n = 12696），非独居者占86%（n = 19266）。平均住院时间为7d；6.54%（n = 1469）有过跌倒史，最常见的疾病是慢性阻塞性肺疾病（31.93%，n = 7189），其次是糖尿病（27.34%， n = 6156）和充血性心力衰竭（26.09%，n = 5519）。

在模型a中，三个变量的贡献超过了平均权重的80%。这些变量按降序排列为：预防跌倒（FP）、年龄和精神病治疗天数。FP变量所占的比重几乎是年龄变量的两倍。在模型b中，有10个变量的平均权重超过80%。这些变量按降序排列：住院天数、尿失禁、精神病治疗天数、性别、关节炎、出生地、糖尿病史、跌倒风险、血红蛋白实验室值和慢性阻塞性肺疾病史。

a模型（有预防跌倒变量）在敏感性（0.74 vs 0.71）、特异性（0.82 vs 0.74）和AUC（0.82 vs 0.78）上均优于b模型（没有预防跌倒变量）。

预防跌倒是关键变量。包含它的模型比不包含它的模型更好地检测到跌倒的风险。研究创建了一个决策支持工具，帮助护士识别有跌倒风险的患者。当它被集成到电子医疗记录中时，减少了护士的工作量，不必手动收集信息。

原文出处：

Mireia Ladios-Martin, Maria-José Cabañero-Martínez, et al, Development of a predictive inpatient falls risk model using machine learning, Journal of Nursing Management, 2023, DOI: 10.1111/jonm.13760.

Tags： JNM：利用机器学习开发住院患者的跌倒预测模型