Fallriskbedömning med hjälp av hybrid maskininlärning och djupinlärningsmetoder och en ny posturografi

Syftet med detta projekt är att kombinera en ny posturogrpahy baserad på HTC VIVE-spårare och hybrid maskininlärning och djupinlärningsalgoritmer för att skapa en uppsättning enkla, bekväma och giltiga fallriskbedömningsverktyg. Denna observations- och uppföljningsstudie kommer att ge gemenskap äldre över 60 år. Utredarna kommer att samla in demografisk data, enkätundersökningar, traditionella balanstester (Berg Balance scale, Timed-up-and-go, 30s-sit-to-stand, fyra-stegs balanstester) och en tracker-baserad posturografi för att få fram stammen stabilitetsparametrar i olika stående uppgifter. Fallrisken kommer att klassificeras enligt självrapporterade fall under det senaste året och verifieras i en 6-månaders uppföljning.

Utredarna kommer att utvärdera prestandan hos olika hybridmaskininlärnings- och djupinlärningsalgoritmer för att extrahera de viktiga funktionerna hos flera posturografiska parametrar och välja en optimal modell. Utredarna kommer att använda mottagarens funktionskarakteristiska kurvanalys för att beräkna känsligheten, specificiteten och noggrannheten hos olika algoritmer för riskklassificering och även jämföra prestandan med traditionella balansbedömningsverktyg. Utredarna kommer att utvärdera korrelationen mellan dessa posturografiska egenskaper och data som erhållits med andra metoder. Riskfaktorer för tidigare fall och framtida fall kommer också att analyseras.