- Recherche
Suivez le guide d’un modèle prédictif de la toute première chute chez la personne âgée !
https://mip.univ-nantes.fr/medias/photo/525468_1461823670154.jpg
-
Le 29 avril 2016false false
Nouvelle publication : Suivez le guide d’un modèle prédictif de la toute première chute chez la personne âgée !
A decision model to predict the risk of the first fall onset.
Deschamps, T., Le Goff, C., Berrut, G., Cornu, C., & Mignardot, J-B
Experimental Gerontology
Summary: Miscellaneous features from various domains are accepted to be associated with the risk of falling in the elderly. However, only few studies have focused on establishing clinical tools to predict the risk of the first fall onset. A model that would objectively and easily evaluate the risk of a first fall occurrence still needs to be built. We developed a model based on machine learning, which might help the medical staff predict the risk of the first fall onset in a one-year time window. Overall, 426 older adults who had never fallen were assessed on 73 variables, comprising medical, social and physical outcomes, at t0. Each fall was recorded at a prospective 1-year follow-up. A decision tree was built on a randomly selected training subset of the cohort (80% of the full-set) and validated on an independent test set. 82 participants experienced a first fall during the follow-up. The machine learning process independently extracted 13 powerful parameters and built a model showing 89% of accuracy for the overall classification with 83% - 82% of true positive fallers and 96% - 61% of true negative non-fallers (training set vs. independent test set). This study provides a pilot tool that could easily help the gerontologists refine the evaluation of the risk of the first fall onset and prioritize the effective prevention strategies.
Implications. The current findings offer a transparent framework for future, related investigation that would validate the clinical relevance of the established model by independently testing its accuracy on larger cohort.
Résumé : Si l'association entre de nombreuses caractéristiques cliniques et le risque de chute chez la personne âgée a été largement démontrée, un modèle prédictif de la toute première chute, facile d'utilisation clinique, restait à construire. A cet effet, 426 personnes âgées qui n'avaient jamais préalablement chuté ont été évaluées à t0 pour un recueil de 73 variables comprenant des mesures médicales, orthopédiques, neurologiques, cognitives et physiques. Tout événement de chute a été enregistré lors d'un suivi prospectif sur 12 mois (Nchuteurs = 82). Une procédure d'apprentissage automatique type « arbre de décision » a été mobilisée pour construire le modèle prédictif du risque de la première chute chez la personne âgée. L'originalité et la force des analyses résidaient dans la construction du modèle avec un sous-ensemble de data (training set - 80% de l'échantillon initial), confirmé avec un autre sous-ensemble de data (test set), avec une haute qualité prédictive des chuteurs (82%).
Implications : Cette haute précision de classification des chuteurs a débouché sur un arbre de décision composé de très peu de variables : nutrition (3), contrôle postural (3), déficiences orthopédiques (3) ou sensorielles (2). Aussi ce modèle constitue un premier outil qui pourrait facilement aider la communauté gériatrique à affiner l'évaluation du risque de la toute première chute chez la personne âgée, et de prioriser ainsi les stratégies de prévention des chutes.
Deschamps, T., Le Goff, C., Berrut, G., Cornu, C., & Mignardot, J-B
Experimental Gerontology
Summary: Miscellaneous features from various domains are accepted to be associated with the risk of falling in the elderly. However, only few studies have focused on establishing clinical tools to predict the risk of the first fall onset. A model that would objectively and easily evaluate the risk of a first fall occurrence still needs to be built. We developed a model based on machine learning, which might help the medical staff predict the risk of the first fall onset in a one-year time window. Overall, 426 older adults who had never fallen were assessed on 73 variables, comprising medical, social and physical outcomes, at t0. Each fall was recorded at a prospective 1-year follow-up. A decision tree was built on a randomly selected training subset of the cohort (80% of the full-set) and validated on an independent test set. 82 participants experienced a first fall during the follow-up. The machine learning process independently extracted 13 powerful parameters and built a model showing 89% of accuracy for the overall classification with 83% - 82% of true positive fallers and 96% - 61% of true negative non-fallers (training set vs. independent test set). This study provides a pilot tool that could easily help the gerontologists refine the evaluation of the risk of the first fall onset and prioritize the effective prevention strategies.
Implications. The current findings offer a transparent framework for future, related investigation that would validate the clinical relevance of the established model by independently testing its accuracy on larger cohort.
Résumé : Si l'association entre de nombreuses caractéristiques cliniques et le risque de chute chez la personne âgée a été largement démontrée, un modèle prédictif de la toute première chute, facile d'utilisation clinique, restait à construire. A cet effet, 426 personnes âgées qui n'avaient jamais préalablement chuté ont été évaluées à t0 pour un recueil de 73 variables comprenant des mesures médicales, orthopédiques, neurologiques, cognitives et physiques. Tout événement de chute a été enregistré lors d'un suivi prospectif sur 12 mois (Nchuteurs = 82). Une procédure d'apprentissage automatique type « arbre de décision » a été mobilisée pour construire le modèle prédictif du risque de la première chute chez la personne âgée. L'originalité et la force des analyses résidaient dans la construction du modèle avec un sous-ensemble de data (training set - 80% de l'échantillon initial), confirmé avec un autre sous-ensemble de data (test set), avec une haute qualité prédictive des chuteurs (82%).
Implications : Cette haute précision de classification des chuteurs a débouché sur un arbre de décision composé de très peu de variables : nutrition (3), contrôle postural (3), déficiences orthopédiques (3) ou sensorielles (2). Aussi ce modèle constitue un premier outil qui pourrait facilement aider la communauté gériatrique à affiner l'évaluation du risque de la toute première chute chez la personne âgée, et de prioriser ainsi les stratégies de prévention des chutes.
Mis à jour le 04 février 2022.