Valutazione del rischio di caduta utilizzando approcci ibridi di machine learning e deep learning e una nuova posturografia

Lo scopo di questo progetto è combinare una nuova posturografia basata su tracker HTC VIVE e algoritmi ibridi di machine learning e deep learning per stabilire una serie di strumenti di valutazione del rischio di caduta semplici, convenienti e validi. Questo studio osservazionale e di follow-up coinvolgerà gli anziani della comunità di età superiore ai 60 anni. Gli investigatori raccoglieranno dati demografici, questionari, test di equilibrio tradizionali (Berg Balance scale, Timed-up-and-go, 30s-sit-to-stand, test di equilibrio a quattro stadi) e una posturografia basata su tracker per ottenere il tronco parametri di stabilità in diversi compiti in piedi. Il rischio di caduta sarà classificato in base alle cadute auto-riportate nell'ultimo anno e verificato in un follow-up di 6 mesi.

Gli investigatori valuteranno le prestazioni di diversi algoritmi ibridi di machine learning e deep learning per estrarre le caratteristiche importanti di più parametri posturografici e selezionare un modello ottimale. Gli investigatori utilizzeranno l'analisi della curva caratteristica operativa del ricevitore per calcolare la sensibilità, la specificità e l'accuratezza di diversi algoritmi per la classificazione del rischio e confrontare anche le prestazioni con gli strumenti tradizionali di valutazione dell'equilibrio. Gli investigatori valuteranno la correlazione di queste caratteristiche posturografiche e dati ottenuti con altri metodi. Verranno inoltre analizzati i fattori di rischio di cadute precedenti e cadute future.