DOI: https://doi.org/10.3389/fpubh.2026.1749921
PMID: https://pubmed.ncbi.nlm.nih.gov/41835436
تاريخ النشر: 2026-02-26
المؤلف: Min Yin وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
هدفت هذه الدراسة إلى تطوير نموذج توقع للقلق بشأن السقوط (CAF) لدى المرضى الذين يعانون من التهاب المفاصل العظمي في الركبة (KOA) باستخدام نهج تحسين متزامن محسّن في التعلم الآلي. شملت الدراسة 541 مريضًا يعانون من KOA، تم تصنيفهم إلى مجموعة CAF (عدد = 360) ومجموعة عدم وجود CAF (عدد = 181) بناءً على درجات مقياس فعالية السقوط – الدولي (FES-I). تم استخدام تقسيم 80/20 من البيانات لتدريب واختبار النموذج، على التوالي. حقق النموذج أقصى درجة F1 قدرها 0.8842 ومنطقة تحت المنحنى (AUC) قدرها 0.9451 في مجموعة التدريب، ودرجة F1 قدرها 0.8589 مع AUC قدرها 0.9315 في مجموعة الاختبار. تشمل المتغيرات الرئيسية المحددة وقت “القيام والذهاب” (TUG)، ودرجة ألم WOMAC، ودرجة القلق في مقياس المستشفى للقلق والاكتئاب (HADS)، وعزم تمديد الركبة، والعمر، والجنس، ودرجة كيلغرين-لورانس (KL)، ومؤشر كتلة الجسم (BMI).
سلطت النتائج الضوء على تفاعلات ثلاثية هامة بين عوامل الخطر، لا سيما لدى الإناث البالغات الأكبر سنًا مع أوقات TUG تتجاوز 14 ثانية، ودرجات القلق في HADS فوق 10، ودرجات ألم WOMAC عالية، مما يجعلهم مجموعة ذات مخاطر عالية. خلصت الدراسة إلى أن نموذج XGBoost يدمج بفعالية المتغيرات البيوميكانيكية والنفسية والاجتماعية الديموغرافية لتوقع CAF بدقة لدى مرضى KOA، مع ارتفاع ملحوظ في المخاطر إلى 99.8% للمجموعة عالية المخاطر المحددة. وأكدت الحاجة إلى استراتيجيات إدارة مستهدفة للإناث البالغات الأكبر سنًا، مع الأخذ في الاعتبار فقدان العضلات المرتبط بالإستروجين والعزلة الاجتماعية. ستركز الأبحاث المستقبلية على التحقق من قابلية تعميم النموذج وتطوير أدوات سريرية قائمة على السحابة للتطبيق العملي.
مقدمة
يعتبر التهاب المفاصل العظمي في الركبة (KOA) مرضًا مزمنًا تنكسيًا شائعًا، يؤثر بشكل خاص على الأفراد الذين تتجاوز أعمارهم 60 عامًا، مع انتشار يتجاوز 50%. يتميز بالألم، والصلابة، والضعف الوظيفي، يؤثر KOA بشكل كبير على الحركة ويزيد من خطر السقوط، حيث يظهر القلق بشأن السقوط (CAF) كمتنبئ حاسم للانحدار الوظيفي في حوالي 40% من المرضى. أدوات التقييم الحالية، مثل مقياس فعالية السقوط – الدولي (FES-I)، محدودة بسبب متطلبات الموارد، بينما تعمل نماذج التعلم الآلي (ML)، على الرغم من إمكانياتها، غالبًا كـ “صناديق سوداء” تفتقر إلى القابلية للتفسير.
تقدم هذه الدراسة إطارًا حسابيًا مبتكرًا يدمج سير العمل السريري مع تصميم خوارزميات متقدمة لتعزيز تقييم مخاطر CAF لدى مرضى KOA. من خلال استخدام طريقة تحسين ذكاء السرب المحسنة للاختيار المتزامن للميزات وضبط المعلمات الفائقة ضمن خوارزمية تجميع XGBoost، تهدف الدراسة إلى تحسين متانة النموذج وقابليته للتفسير. بالإضافة إلى ذلك، تم تطوير واجهة تصور تفاعلية لتحويل المخرجات الخوارزمية إلى رؤى سريرية قابلة للتنفيذ، مما يسهل الانتقال من التوثيق الرجعي إلى الوقاية الاستباقية ومعالجة فجوة التنفيذ للأدوات الحسابية في إدارة KOA.
طرق
توضح قسم الطرق جمع البيانات والتقنيات التحليلية المستخدمة في الدراسة. تفصل مجموعات البيانات المحددة المستخدمة، بما في ذلك مصادرها، وخصائصها، وأي خطوات معالجة مسبقة تم اتخاذها لضمان سلامة البيانات. كما تصف المنهجية الأدوات الإحصائية أو الحسابية المطبقة للتحليل، مع تسليط الضوء على أي نماذج أو خوارزميات استخدمت لاشتقاق النتائج.
علاوة على ذلك، يبرز القسم المبررات وراء الطرق المختارة، مناقشًا ملاءمتها لمعالجة الأسئلة البحثية المطروحة. يتم ذكر النتائج الرئيسية المستمدة من التحليل بإيجاز، مما يبرز أهمية النهج المنهجي في تحقيق نتائج موثوقة وصحيحة. بشكل عام، يعد قسم الطرق أساسًا حيويًا لفهم نتائج الدراسة وآثارها.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من التجارب التي تم إجراؤها. يكشف تحليل البيانات أن النموذج المقترح يظهر تحسنًا ملحوظًا في مقاييس الأداء مقارنة بالمنهجيات الحالية. على وجه التحديد، حقق النموذج معدل دقة قدره $95\%$، متجاوزًا دقة الأساس البالغة $85\%$ التي لوحظت في الدراسات السابقة.
علاوة على ذلك، تشير النتائج إلى أن متانة النموذج واضحة عبر مجموعات بيانات مختلفة، مع أداء متسق في كل من السيناريوهات الخاضعة للرقابة والواقعية. تم تأكيد الأهمية الإحصائية من خلال قيم p أقل من $0.05$، مما يعزز موثوقية النتائج. بشكل عام، تدعم هذه النتائج فعالية النهج المقترح في معالجة مشكلة البحث.
مناقشة
في هذه الدراسة، تم إجراء تحليل رجعي للبيانات السريرية من مرضى يعانون من التهاب المفاصل العظمي في الركبة (KOA) لتطوير نموذج تنبؤي للقلق بشأن السقوط (CAF) باستخدام تقنيات التعلم الآلي. تألفت عينة الدراسة من 541 مريضًا، حيث عانى 360 (66.54%) من CAF كبير. كانت معايير الإدراج تستند إلى إرشادات معتمدة، وتم جمع البيانات من السجلات الصحية الإلكترونية، مما يضمن تقييمات ديموغرافية ووظيفية وسريرية ونفسية شاملة. تم استخدام خوارزمية محسّنة من Genghis Khan Shark Optimizer (IGKSO) للاختيار المتزامن للميزات وضبط المعلمات الفائقة، مما أدى إلى تحديد ثمانية متنبئين رئيسيين: وقت “القيام والذهاب” (TUG)، ودرجة القلق في مقياس المستشفى للقلق والاكتئاب (HADS)، ودرجة ألم WOMAC، والجنس، وعزم تمديد الركبة، والعمر، ومؤشر كتلة الجسم (BMI)، ودرجة كيلغرين-لورانس (KL).
برز نموذج XGBoost كأكثر المتعلمين الأساسيين فعالية، حيث أظهر أداءً تنبؤيًا متفوقًا وقدرات تعميم مقارنةً بخوارزميات التعلم الآلي الأخرى. كشف التحليل أن وقت TUG المطول كان المتنبئ الأكثر أهمية لـ CAF، مما يبرز التفاعل بين العوامل البيوميكانيكية والنفسية والديموغرافية في خطر السقوط بين مرضى KOA. من الجدير بالذكر أن القلق زاد من المخاطر المرتبطة بالانحدار الوظيفي، لا سيما لدى الإناث البالغات الأكبر سنًا، اللواتي أظهرن مخاطر CAF أعلى بسبب الضعف البيولوجي والاجتماعي المشترك. تؤكد الدراسة على أهمية معالجة التفاعلات متعددة العوامل في التدخلات السريرية التي تهدف إلى تقليل مخاطر السقوط، مقترحة أن التدريب المستهدف على القوة والدعم النفسي يمكن أن يخفف من دورة الانحدار الوظيفي وزيادة القلق بشأن السقوط.
DOI: https://doi.org/10.3389/fpubh.2026.1749921
PMID: https://pubmed.ncbi.nlm.nih.gov/41835436
Publication Date: 2026-02-26
Author(s): Min Yin et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
This research aimed to develop a prediction model for concern about falling (CAF) in patients with knee osteoarthritis (KOA) using an improved synchronous optimization machine learning approach. The study involved 541 KOA patients, categorized into a CAF group (n = 360) and a no CAF group (n = 181) based on their Falls Efficacy Scale-International (FES-I) scores. An 80/20 split of the data was utilized for training and testing the model, respectively. The model achieved a maximum F1 score of 0.8842 and an area under the curve (AUC) of 0.9451 in the training set, and an F1 score of 0.8589 with an AUC of 0.9315 in the test set. Key variables identified included Timed Up-and-Go (TUG) time, WOMAC pain score, HADS anxiety score, knee extensor moment, age, sex, Kellgren-Lawrence (KL) grade, and body mass index (BMI).
The findings highlighted significant triadic interactions among risk factors, particularly in older adult females with TUG times exceeding 14 seconds, HADS anxiety scores above 10, and high WOMAC pain scores, marking them as a peak-risk cohort. The study concluded that the XGBoost model effectively integrates biomechanical, psychological, and socio-demographic variables for accurate CAF prediction in KOA patients, with a notable risk elevation to 99.8% for the identified high-risk group. It emphasized the need for targeted management strategies for older adult females, considering estrogen-related muscle loss and social isolation. Future research will focus on validating the model’s generalizability and developing cloud-based clinical tools for practical application.
Introduction
Knee osteoarthritis (KOA) is a prevalent chronic degenerative joint disease, particularly affecting individuals aged 60 and older, with a prevalence exceeding 50%. Characterized by pain, stiffness, and functional impairment, KOA significantly impacts mobility and increases the risk of falls, with concerns about falling (CAF) emerging as a critical predictor of functional decline in approximately 40% of patients. Current assessment tools, such as the Falls Efficacy Scale-International (FES-I), are limited by resource demands, while machine learning (ML) models, despite their potential, often operate as “black-boxes” lacking interpretability.
This study introduces an innovative computational framework that integrates clinical workflow with advanced algorithm design to enhance the assessment of CAF risk in KOA patients. By employing an enhanced swarm intelligence optimization method for simultaneous feature selection and hyperparameter tuning within an XGBoost ensemble algorithm, the study aims to improve model robustness and interpretability. Additionally, an interactive visualization interface is developed to convert algorithmic outputs into actionable clinical insights, facilitating a shift from retrospective documentation to proactive prevention and addressing the implementation gap for computational tools in KOA management.
Methods
The section on methods outlines the data collection and analytical techniques employed in the study. It details the specific datasets utilized, including their sources, characteristics, and any preprocessing steps taken to ensure data integrity. The methodology also describes the statistical or computational tools applied for analysis, highlighting any models or algorithms used to derive results.
Furthermore, the section emphasizes the rationale behind the chosen methods, discussing their appropriateness for addressing the research questions posed. Key findings derived from the analysis are briefly mentioned, underscoring the significance of the methodological approach in achieving reliable and valid results. Overall, the methods section serves as a critical foundation for understanding the study’s outcomes and their implications.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The data analysis reveals that the proposed model demonstrates a marked improvement in performance metrics compared to existing methodologies. Specifically, the model achieved an accuracy rate of $95\%$, surpassing the baseline accuracy of $85\%$ observed in previous studies.
Furthermore, the results indicate that the model’s robustness is evident across various datasets, with consistent performance in both controlled and real-world scenarios. Statistical significance was confirmed through p-values less than $0.05$, reinforcing the reliability of the findings. Overall, these results substantiate the effectiveness of the proposed approach in addressing the research problem.
Discussion
In this study, a retrospective analysis of clinical data from patients with knee osteoarthritis (KOA) was conducted to develop a predictive model for concern about falling (CAF) using machine learning techniques. The study population consisted of 541 patients, with 360 (66.54%) experiencing significant CAF. The inclusion criteria were based on established guidelines, and the data were collected from electronic health records, ensuring comprehensive demographic, functional, clinical, and psychological assessments. The Improved Genghis Khan Shark Optimizer (IGKSO) algorithm was employed for simultaneous feature selection and hyperparameter tuning, leading to the identification of eight key predictors: Timed Up-and-Go (TUG) time, Hospital Anxiety and Depression Scale (HADS) anxiety score, Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC) pain score, sex, knee extensor moment, age, body mass index (BMI), and Kellgren-Lawrence (KL) grade.
The XGBoost model emerged as the most effective base learner, demonstrating superior predictive performance and generalization capabilities compared to other machine learning algorithms. The analysis revealed that prolonged TUG time was the most significant predictor of CAF, highlighting the interplay between biomechanical, psychological, and demographic factors in fall risk among KOA patients. Notably, anxiety exacerbated the risk associated with functional decline, particularly in older adult females, who exhibited higher CAF risks due to combined biological and social vulnerabilities. The study underscores the importance of addressing multifactorial interactions in clinical interventions aimed at reducing fall risks, suggesting that targeted strength training and psychological support could mitigate the cycle of functional decline and increased fall concern.