DOI: https://doi.org/10.1186/s12984-024-01310-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38287415
تاريخ النشر: 2024-01-29
المؤلف: Huey‐Wen Liang وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تبحث الدراسة في تطبيق قياس الوضعية المحوسب مع التعلم الآلي (ML) والذكاء الاصطناعي القابل للتفسير (XAI) لتصنيف مخاطر السقوط لدى كبار السن الذين يعيشون في المجتمع. شملت الدراسة 215 مشاركًا واستخدمت مقاييس شخصية جنبًا إلى جنب مع معايير قياس الوضعية من أربع وضعيات وقوف. تم استخدام معيارين للتصنيف: تاريخ السقوط واختبار “القيام والذهاب” (TUG). نفذ الباحثون ثلاث طرق ميتا-heuristic لاختيار الميزات لإدارة مجموعة المعلمات الواسعة، مما يعزز فعالية النموذج، بينما تم استخدام طريقة SHapley Additive exPlanations (SHAP) لتوضيح أهمية الميزات.
أشارت النتائج إلى أن معايير قياس الوضعية صنفت المشاركين بشكل فعال بناءً على درجات TUG، محققة نطاق دقة يتراوح بين 0.72 إلى 0.77 ومنطقة تحت المنحنى (AUC) بين 0.80 و0.90، خاصة مع خوارزمية Slime Mould. ومع ذلك، كان النموذج أقل فعالية في تصنيف مخاطر السقوط بناءً على تاريخ السقوط السابق، حيث أسفر اختيار الميزات عن تحسين طفيف في الأداء في هذا السياق. تؤكد النتائج على إمكانيات ML وXAI في تطوير نماذج تصنيف مخاطر السقوط القوية، على الرغم من أن الاعتماد فقط على معايير قياس الوضعية قد لا يكون كافيًا لتقييم شامل لمخاطر السقوط.
مقدمة
تمثل السقوط خطرًا كبيرًا للإصابات العرضية والوفيات بين كبار السن، حيث تتراوح معدلات الحدوث من 16.5% إلى 32.1% في السكان الذين يعيشون في المجتمع. تشمل الطبيعة متعددة العوامل لمخاطر السقوط عوامل داخلية مثل المتغيرات الاجتماعية والديموغرافية، والحالات الصحية، والحركة، والمخاطر البيئية. تعقد التفاعلات الديناميكية بين هذه العوامل فعالية الوقاية من السقوط، مما يتطلب طرق تصنيف قوية لمخاطر السقوط. تعاني تقنيات التقييم التقليدية، بما في ذلك الاستبيانات الذاتية والاختبارات البدنية مثل اختبار “القيام والذهاب” (TUG)، من قيود من حيث الكفاءة الزمنية، والوصول، والقدرة التمييزية.
تقدم التقدمات الحديثة في الذكاء الاصطناعي (AI) والتعلم الآلي (ML) بدائل واعدة لتصنيف مخاطر السقوط، خاصة من خلال تحليل بيانات قياس الوضعية. أظهرت خوارزميات ML المختلفة دقة عالية (80-99.9%) في التنبؤ بمخاطر السقوط، مستفيدة من البيانات المستمدة من منصات القوة وتقنيات الاستشعار الأخرى. ومع ذلك، تثير الطبيعة الغامضة لنماذج AI مخاوف بشأن موثوقيتها ومسؤوليتها في بيئات الرعاية الصحية. لمعالجة هذه القضايا، يتم دمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) لتعزيز شفافية النموذج وتوفير رؤى حول عمليات اتخاذ القرار. تهدف هذه الدراسة إلى استخدام خوارزميات ML جنبًا إلى جنب مع معايير قياس الوضعية لتصنيف مخاطر السقوط بين كبار السن، مع فرضية أن اختيار الميزات سيحسن أداء النموذج وأن بيانات قياس الوضعية ستتوافق بشكل أقوى مع الحركة مقارنة بتاريخ السقوط. من المتوقع أن تعزز النتائج فهم ديناميات التحكم في الوضعية وتساعد في تطوير أدوات فحص آلية للوقاية من السقوط.
الطرق
توضح قسم المنهجية إطارًا شاملاً لتصنيف مخاطر السقوط باستخدام التعلم الآلي، والذي يشمل جمع البيانات، والترشيح، واستخراج الميزات، والاختيار، والتصنيف. يتم تقييم نتائج التصنيف من خلال مقاييس متنوعة، مع تسهيل التفسيرات بواسطة طريقة SHAP.
يتم تقديم تحليل مقارن، يسلط الضوء على أداء طرق اختيار الميزات التقليدية، وخاصة المعلومات المتبادلة (MI) وقيمة ANOVA F، مقابل الخوارزميات الميتا-heuristic مثل خوارزمية مستعمرة النحل الاصطناعية (ABC)، وتحسين الصقور هاريس (HHO)، والتبريد المحاكي (SMA). توضح الأشكال 5 و6 أن الأساليب الميتا-heuristic تتفوق باستمرار على الطرق التقليدية عبر مقاييس متعددة، بما في ذلك الدقة، والاسترجاع، والخصوصية، ومنطقة تحت المنحنى (AUC) لكل من المعايير I و II. وهذا يبرز فعالية الخوارزميات المختارة في تحسين دقة تصنيف مخاطر السقوط.
النتائج
يقدم قسم النتائج نتائج نماذج اختيار الميزات المختلفة (SMA، HHO، وABC) المدمجة مع المصنفات (Balanced Bagging، وComplement Naive Bayes (NB)، وEasy Ensemble) لتصنيف مخاطر السقوط، والتي تم تقييمها باستخدام معيارين. تشمل المقاييس التي تم تقييمها الدقة، والاسترجاع (الحساسية)، والخصوصية، ومنطقة تحت المنحنى (AUC). من الجدير بالذكر أن المعايير II حققت أداءً متفوقًا، حيث تراوحت الدقة بين 0.66 إلى 0.78 وAUC من 0.76 إلى 0.90، مقارنةً بالمعايير I. تم تسجيل أعلى AUC مع نموذج اختيار الميزات SMA ومصنف Easy Ensemble تحت المعايير II.
أظهرت مصنفات Complement NB أداءً محسنًا في الدقة والاسترجاع والخصوصية مقارنةً بـ Balanced Bagging عند استخدام المعايير II. بالإضافة إلى ذلك، حسّن تنفيذ اختيار الميزات الدقة عند استخدام المعايير II، على الرغم من أن هذا لم يكن الحال بالنسبة للمعايير I. توضح مخطط AUC (الشكل 2) أداء طرق اختيار الميزات الثلاث عبر المصنفات. تكشف مصفوفات الالتباس في الأشكال 3 و4 أنه تحت المعايير I، حقق Easy Ensemble مع ميزات ABC أعلى معدل إيجابي حقيقي (TP)، بينما تفوق Balanced Bagging بدون اختيار الميزات في السلبيات الحقيقية (TN). على العكس، تحت المعايير II، حقق Balanced Bagging مع ABC أعلى TP، مما يدل على التعرف الفعال على الأفراد المعرضين لخطر السقوط.
المناقشة
في هذه الدراسة، بحث المؤلفون في تصنيف مخاطر السقوط بين كبار السن الذين يعيشون في المجتمع باستخدام مجموعة من خوارزميات التعلم الآلي (ML) وبيانات قياس الوضعية التي تم جمعها من خلال نظام يعتمد على جهاز تتبع VIVE. تم تقييم 215 مشاركًا، تتراوح أعمارهم حوالي 72 عامًا، بناءً على معيارين للتصنيف: تاريخ السقوط في السنة السابقة والأداء في اختبار “القيام والذهاب” (TUG). وجدت الدراسة أن اختبار TUG قدم وسيلة أكثر فعالية لتصنيف مخاطر السقوط، مع نسبة أعلى من المشاركين الذين تم التعرف عليهم على أنهم في خطر مقارنةً بمعيار تاريخ السقوط. عزز استخدام ظروف الوقوف المختلفة أثناء الاختبار القدرة على التمييز بين الأفراد المعرضين للخطر والأفراد ذوي المخاطر المنخفضة، مما يبرز الطبيعة متعددة العوامل للسقوط.
استخدم المؤلفون ثلاث طرق ميتا-heuristic لاختيار الميزات—تحسين صقور هاريس، وخوارزمية Slime Mould، ومستعمرة النحل الاصطناعية—لتحسين عملية التصنيف. حسنت هذه الطرق أداء النموذج من خلال تحديد معايير قياس الوضعية الهامة والمقاييس الشخصية، مثل العمر والجنس، والتي كانت حاسمة للتصنيف الدقيق. استخدمت الدراسة أيضًا SHAP (SHapley Additive exPlanations) لتوفير رؤى حول أهمية الميزات، مما يكشف أن معايير قياس الوضعية من المهام الوقوفية الصعبة ساهمت بشكل كبير في التنبؤ بمخاطر السقوط. بشكل عام، تؤكد النتائج على إمكانيات دمج تقنيات ML المتقدمة مع مقاييس قياس الوضعية الموضوعية لتعزيز تقييم مخاطر السقوط لدى كبار السن، بينما تؤكد أيضًا على الحاجة إلى معلومات شاملة تتجاوز مجرد القدرة على التوازن من أجل تصنيف فعال.
القيود
تتركز قيود هذه الدراسة بشكل أساسي حول حجم العينة وتصميم الدراسة. على الرغم من أن حجم العينة تجاوز العديد من الدراسات السابقة، إلا أنه ظل صغيرًا نسبيًا للكشف عن أحجام تأثير معتدلة تتعلق بتصنيف السقوط، حيث تم تصنيف أقل من 30% من المشاركين على أنهم في خطر مرتفع أو أنهم تعرضوا لسقوط فعلي. تشير هذه الفجوة في مجموعة البيانات إلى أن الأبحاث المستقبلية يجب أن تهدف إلى تحقيق أحجام عينات أكبر لتعزيز قوة نماذج التعلم الآلي.
بالإضافة إلى ذلك، فإن الطبيعة العرضية للدراسة تحد من القدرة على تقييم الصلاحية التنبؤية لبيانات قياس الوضعية بمرور الوقت. سيكون تصميم دراسة مستقبلية أو متابعة مفيدًا في هذا الصدد. علاوة على ذلك، بينما ركزت الدراسة على القدرات التمييزية لمعايير قياس الوضعية، فإن الآليات المعقدة الكامنة وراء مخاطر السقوط تتطلب جمع بيانات أكثر شمولاً لتطوير نماذج ذات دقة تنبؤية محسنة.
DOI: https://doi.org/10.1186/s12984-024-01310-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38287415
Publication Date: 2024-01-29
Author(s): Huey‐Wen Liang et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
The research investigates the application of computerized posturography combined with machine learning (ML) and explainable artificial intelligence (XAI) to classify fall risks in community-dwelling older adults. The study involved 215 participants and utilized personal metrics alongside posturographic parameters from four standing postures. Two classification criteria were employed: history of falls and the timed-up-and-go (TUG) test. The researchers implemented three meta-heuristic methods for feature selection to manage the extensive parameter set, enhancing model efficacy, while the SHapley Additive exPlanations (SHAP) method was used to elucidate feature importance.
Results indicated that posturographic parameters effectively classified participants based on TUG scores, achieving an accuracy range of 0.72 to 0.77 and an area under the curve (AUC) between 0.80 and 0.90, particularly with the Slime Mould Algorithm. However, the model was less effective in classifying fall risk based on previous fall history, with feature selection yielding minimal performance improvement in this context. The findings underscore the potential of ML and XAI in developing robust fall risk classification models, although reliance solely on posturographic parameters may not suffice for comprehensive fall risk assessment.
Introduction
Falls represent a significant risk for accidental injuries and fatalities among older adults, with incidence rates ranging from 16.5% to 32.1% in community-dwelling populations. The multifactorial nature of fall risk includes intrinsic factors such as sociodemographic variables, health conditions, mobility, and environmental hazards. Effective fall prevention is complicated by the dynamic interplay of these factors, necessitating robust fall risk stratification methods. Traditional assessment techniques, including self-reported questionnaires and physical tests like the Timed-Up-and-Go (TUG) test, have limitations in terms of time efficiency, accessibility, and discriminative power.
Recent advancements in artificial intelligence (AI) and machine learning (ML) present promising alternatives for fall risk classification, particularly through the analysis of posturographic data. Various ML algorithms have demonstrated high accuracy (80-99.9%) in predicting fall risk, leveraging data from force platforms and other sensor technologies. However, the opaque nature of AI models raises concerns regarding their reliability and accountability in healthcare settings. To address these issues, explainable AI (XAI) techniques are being integrated to enhance model transparency and provide insights into decision-making processes. This study aims to utilize ML algorithms alongside posturographic parameters to classify fall risk among older adults, hypothesizing that feature selection will improve model performance and that posturographic data will correlate more strongly with mobility than fall history. The findings are expected to advance understanding of postural control dynamics and inform the development of automated screening tools for fall prevention.
Methods
The methodology section outlines a comprehensive framework for classifying fall risks using machine learning, which encompasses data collection, filtering, feature extraction, selection, and classification. The evaluation of the classification results is conducted through various metrics, with interpretations facilitated by the SHAP method.
A comparative analysis is presented, highlighting the performance of traditional feature selection methods, specifically Mutual Information (MI) and ANOVA F-value, against metaheuristic algorithms such as Artificial Bee Colony (ABC), Harris Hawks Optimization (HHO), and Simulated Annealing (SMA). Figures 5 and 6 illustrate that the metaheuristic approaches consistently outperform traditional methods across multiple metrics, including accuracy, recall, specificity, and area under the curve (AUC) for both Criteria I and II. This underscores the effectiveness of the selected algorithms in improving the accuracy of fall risk classification.
Results
The results section presents the outcomes of various feature selection models (SMA, HHO, and ABC) combined with classifiers (Balanced Bagging, Complement Naive Bayes (NB), and Easy Ensemble) for fall risk classification, evaluated using two criteria. The metrics assessed include accuracy, recall (sensitivity), specificity, and area under the curve (AUC). Notably, Criteria II yielded superior performance, with accuracy ranging from 0.66 to 0.78 and AUC from 0.76 to 0.90, compared to Criteria I. The highest AUC was recorded with the SMA feature selection model and Easy Ensemble classifier under Criteria II.
Complement NB classifiers demonstrated enhanced performance in accuracy, recall, and specificity relative to Balanced Bagging when utilizing Criteria II. Additionally, the implementation of feature selection improved accuracy when using Criteria II, though this was not the case for Criteria I. The AUC plot (Figure 2) illustrates the performance of the three feature selection methods across the classifiers. Confusion matrices in Figures 3 and 4 reveal that under Criteria I, Easy Ensemble with ABC features achieved the highest true positive (TP) rate, while Balanced Bagging without feature selection excelled in true negatives (TN). Conversely, under Criteria II, Balanced Bagging with ABC achieved the highest TP, indicating effective identification of individuals at risk of falling.
Discussion
In this study, the authors investigated fall risk classification among community-dwelling older adults using a combination of machine learning (ML) algorithms and posturographic data collected through a VIVE tracker-based system. A total of 215 participants, aged approximately 72 years, were assessed based on two classification criteria: a history of falls in the previous year and performance on the Timed Up and Go (TUG) test. The study found that the TUG test provided a more effective means of classifying fall risk, with a higher proportion of participants identified as at risk compared to the fall history criterion. The use of various standing conditions during testing enhanced the ability to discriminate between at-risk and low-risk individuals, highlighting the multifactorial nature of falls.
The authors employed three meta-heuristic feature selection methods—Harris Hawk Optimization, Slime Mould Algorithm, and Artificial Bee Colony—to optimize the classification process. These methods improved model performance by identifying significant posturographic parameters and personal metrics, such as age and sex, which were crucial for accurate classification. The study also utilized SHAP (SHapley Additive exPlanations) to provide insights into feature importance, revealing that posturographic parameters from challenging standing tasks contributed significantly to fall risk predictions. Overall, the findings underscore the potential of integrating advanced ML techniques with objective posturographic measures to enhance fall risk assessment in older adults, while also emphasizing the need for comprehensive information beyond just balance ability for effective classification.
Limitations
The limitations of this study are primarily centered around the sample size and study design. Although the sample size exceeded that of many previous studies, it remained relatively small for detecting moderate effect sizes related to fall classification, with less than 30% of participants being classified as high-risk or having experienced actual falls. This imbalance in the dataset suggests that future research should aim for larger sample sizes to enhance the robustness of machine learning models.
Additionally, the cross-sectional nature of the study restricts the ability to assess the predictive validity of the posturographic data over time. A prospective or follow-up study design would be beneficial in this regard. Furthermore, while the study concentrated on the discriminative capabilities of posturographic parameters, the complex mechanisms underlying fall risk necessitate the collection of more comprehensive data to develop models with improved predictive accuracy.