使用加速度计和视频步态分析数据开发老年人跌倒预测工具 (APDM system)

机器学习的最新进展扰乱了评估医学预后的标准方法。 我们的小组由学术临床医生和研究工程师组成，力求在老年人纵向监测中创建一个稳定性测量数据库（加速度计、陀螺仪和高度传感器数据）。 这个稳定性测量 (SM) 数据库将使我们能够使用新的机器学习方法来开发和验证预测未来跌倒的算法，从而更好地针对弱势群体。

尽管已经有许多尝试使用床边量表 7-12 来量化老年人跌倒的风险，但之前没有任何小组尝试结合使用加速度计和视频测量来评估步态稳定性。 由于这些措施将在经常跌倒和不经常跌倒的患者中捕获，我们将在至少 100 次跌倒事件之前的各种时间窗口（1、2、3 和 4 周）获得 SM 数据，这是一个从未有过的数据集之前捕获。

假设：

1. 加速度计、陀螺仪和视频数据的组合可用于纵向预测跌倒，首先使用训练数据集，然后对验证数据集进行验证。
2. 上述所有基于传感器的输入都可以组合成一个简单的自动化预测工具，以预测老年人的跌倒风险当前跌倒风险评估方法：目前医生办公室预测跌倒的方法在很大程度上依赖于简单的床边测试 12-14。 尽管有用，但所有这些措施的灵敏度和特异性都非常低，曲线下面积 (AUC) 约为 0.707-12。

事实上，最近的一项荟萃​​分析“无法确定任何工具在敏感性和特异性之间取得最佳平衡，或者明显优于简单的跌倒风险临床判断”

方法：

a) 受试者： i) 高风险受试者 (n=50)：所有受试者均从温哥华综合医院的跌倒和老年病科诊所招募。 这些诊所每年接待约 2500 名患者，目前用于研究招募。 每个诊所患者都测量了步态速度，这将允许招募高风险和低风险的跌倒者。 该测试将使我们能够招募 50 名具有明显跌倒风险的受试者，为我们提供前瞻性收集的超过 100 个事件的数据集，比任何其他传感器研究高出五倍。

ii) Low Risk Subjects (n=50): 此外，我们将通过报纸广告招募和筛选低风险受试者。 所有受试者的步态速度 > 0.8 m/s，并且在去年没有跌倒。

所有研究患者都来到实验室（老年学和糖尿病研究实验室，VGH 研究馆）进行一小时的会议。 每个受试者将进行 6 分钟的步行测试，在此期间将从 APDM 系统（俄勒冈州波特兰）获得步态评估。 此外，还将有四个摄像机（在正面、背面和侧面）测量原始视频数据以进行步态分析。 摄像头不记录任何面部数据（事实上，系统中的“deepfake”软件会删除所有面部细节），患者的动作在保存到系统之前会转换为“简笔画”。 此外，Xethru X4M03 套件将用于收集超边带雷达数据 (UWB)。 UWB雷达工作在5.9-10.3 GHz，提供高空间分辨率。 雷达放置在地面上方 1.5 m 处。 为了收集脚跟脚趾撞击时间数据，受试者将在 GAITRite 系统（CIR Systems Inc，富兰克林，新泽西州）上走动，走道尺寸为 90 × 700 厘米 × 3.2 毫米。