Fallrisikovurdering ved bruk av hybrid maskinlæring og dype læringsmetoder og en ny posturografi

Formålet med dette prosjektet er å kombinere en ny posturogrpahy basert på HTC VIVE-sporere og hybrid maskinlæring og dyplæringsalgoritmer for å etablere et sett med enkle, praktiske og gyldige fallrisikovurderingsverktøy. Denne observasjons- og oppfølgingsstudien vil lokalsamfunnet eldre over 60 år. Etterforskerne vil samle inn demografiske data, spørreskjemaundersøkelser, tradisjonelle balansetester (Berg Balance-skala, Timed-up-and-go, 30s-sit-to-stå, fire-trinns balansetester) og en tracker-basert posturografi for å få tak i stammen stabilitetsparametere i ulike stående oppgaver. Fallrisikoen vil bli klassifisert i henhold til selvrapporterte fall det siste året og verifisert i en 6-måneders oppfølging.

Etterforskerne vil evaluere ytelsen til forskjellige hybrid maskinlærings- og dyplæringsalgoritmer for å trekke ut de viktige funksjonene til flere posturografiske parametere og velge en optimal modell. Etterforskerne vil bruke kurveanalysen for mottakerens operasjoner for å beregne sensitiviteten, spesifisiteten og nøyaktigheten til forskjellige algoritmer for risikoklassifisering og også sammenligne ytelsen med tradisjonelle balansevurderingsverktøy. Etterforskerne vil evaluere sammenhengen mellom disse posturografiske funksjonene og data innhentet med andre metoder. Risikofaktorer ved tidligere fall og fremtidige fall vil også analyseres.