DOI: https://doi.org/10.3389/fpubh.2026.1827730
PMID: https://pubmed.ncbi.nlm.nih.gov/42422682
تاريخ النشر: 2026-06-24
المؤلف: Jiaming Chen وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تستقصي الدراسة تقييمًا سريعًا لمدة 30 ثانية للوقوف الهادئ باستخدام مستشعر توازن وتعلم الآلة لتصنيف تاريخ السقوط وتقييم خطر السقوط لدى كبار السن. شارك في الدراسة 394 مشاركًا، بمتوسط عمر 71.56 عامًا، عبر مجموعات مختلفة: مجموعة مختبرية، مجموعة مستشفى مستقلة، ودراسة جدوى قائمة على المنزل. سجل مستشعر التوازن توزيع الضغط على القدم، الذي تم من خلاله استخراج مسارات مركز الضغط (CoP) ووصف مركز الثقل (CoG) المستمد من النموذج. تم تقييم نماذج متعددة من تعلم الآلة، حيث حقق نموذج الغابة العشوائية أعلى منطقة تحت منحنى التشغيل (AUC) بلغت 0.71 في حالة العينين المفتوحتين لمجموعة المختبر.
أسفرت التحقق الخارجي في مجموعة المستشفى عن AUC قدره 0.68 ودقة 72.0%، متجاوزة التقييمات الوظيفية التقليدية. أظهرت الدراسة القائمة على المنزل جدوى إجراء قياسات توازن قصيرة المدة خارج الإعدادات السريرية. تشير النتائج إلى أن تقييمًا سريعًا قائمًا على المستشعر مع تعلم الآلة يمكن أن يكون أداة عملية لتقييم خطر السقوط لدى كبار السن. ومع ذلك، فإن اعتماد الدراسة على تاريخ السقوط الرجعي يتطلب مزيدًا من البحث من خلال دراسات مستقبلية أكبر ومتعددة المراكز لتأسيس صلاحية تنبؤية وتطبيق سريري أوسع.
مقدمة
تمثل السقوط قضية صحية عالمية هامة، حيث تعد السبب الثاني الرئيسي للوفيات الناتجة عن الإصابات العرضية، مع حوالي 684,000 حالة وفاة سنويًا، تؤثر بشكل أساسي على البالغين في منتصف العمر وكبار السن. تقدر منظمة الصحة العالمية أن 37.3 مليون سقوط سنويًا تتطلب رعاية طبية، مع انتشار عالمي للسقوط بين كبار السن يقدر بـ 26.5%. مع تقدم السكان في العمر، من المتوقع أن تزداد عبء الإصابات المتعلقة بالسقوط، خاصة في دول مثل الصين، حيث ظهرت السقوط كقضية صحية عامة رئيسية. وهذا يبرز الحاجة الملحة لاستراتيجيات فعالة لتقييم خطر السقوط والوقاية منه، خاصةً حيث قد لا تلتقط طرق التقييم التقليدية الطبيعة الديناميكية للتوازن في الحياة اليومية.
تقتصر الأدوات السريرية الحالية لتقييم خطر السقوط، مثل نموذج خطر السقوط هندريش II ومقياس توازن بيرغ، على قدرتها على التنبؤ بالسقوط عبر مجموعات وسياقات متنوعة. تعتمد هذه التقييمات غالبًا على بيئات خاضعة للرقابة، مما يفشل في أخذ التقلبات القصيرة الأجل في التوازن بعين الاعتبار بسبب عوامل مختلفة. بينما أظهرت المستشعرات القابلة للارتداء وعدًا في تحديد الأفراد المعرضين للخطر، لا تزال التحديات المتعلقة بالالتزام والدعم الفني قائمة. تتناول هذه الدراسة هذه الفجوات من خلال تقييم إطار عمل عملي قائم على المستشعر لتقييم خطر السقوط الذي يدمج بيانات مستشعر التوازن ونماذج تعلم الآلة. من خلال قياس التوازن الوضعي من خلال مسارات مركز الضغط (CoP) والأوصاف ذات الصلة، تهدف البحث إلى تحديد الميزات المرتبطة بخطر السقوط وتقييم قابلية تطبيق الإطار في المختبر والإعدادات السريرية والمنزلية، ساعيًا في النهاية لتوفير أداة أكثر وصولاً وفعالية لتقييم التوازن المستمر في البيئات الواقعية.
طرق
في هذه الدراسة، استخدم المؤلفون بروتوكول مستشعر التوازن لتقييم خطر السقوط لدى المشاركين من خلال سلسلة من الاختبارات القياسية. تم توجيه المشاركين للوقوف على مستشعر لمدة 30 ثانية مع فتح العينين ثم مع إغلاقهما، بينما تم إدارة جمع البيانات بواسطة المجربين. لتقييم الحركة وخطر السقوط، تم إجراء ثلاثة تقييمات سريرية: اختبار “القيام والذهاب” (TUG)، اختبار سرعة المشي (GST)، واختبار الجلوس إلى الوقوف (STS). قاست هذه الاختبارات أوقات الإنجاز والأداء في مهام الحركة المختلفة، مما يوفر تقييمًا شاملاً لوظيفة الحركة. بالإضافة إلى ذلك، تم تضمين مكون قائم على المنزل لتقييم جدوى قياسات مستشعر التوازن اليومية، على الرغم من أن هذا لم يكن مقصودًا لصلاحية تنبؤية.
تم إجراء التحقق الخارجي من نموذج خطر السقوط القائم على المستشعر باستخدام مجموعة مستقلة من مستشفى SYP (n = 291)، بينما تم استخدام مجموعة المختبر (n = 91) فقط لتطوير النموذج. حقق النموذج القائم على المستشعر منطقة تحت المنحنى (AUC) قدرها 0.68 ودقة 72% في مجموعة المستشفى، مما يشير إلى تقدير محافظ للأداء. بالمقارنة، أظهرت التقييمات السريرية التقليدية تمييزًا أقل، مع قيم AUC قدرها 0.42 لاختبار المشي لمسافة 4 أمتار، 0.53 لاختبار TUG، و0.48 لاختبار الوصول الوظيفي. بشكل عام، تفوق النموذج القائم على المستشعر على هذه التقييمات التقليدية من حيث AUC، مما يشير إلى إمكانيته كأداة أكثر فعالية لتقييم خطر السقوط.
نتائج
في المخطوطة المعدلة، تم هيكلة النتائج لتعكس تصميم الدراسة ومستويات الأدلة بدقة أكبر. تم تقديم تحليلات مجموعة المختبر كنتائج تم التحقق منها داخليًا لتصنيف تاريخ السقوط الرجعي، بينما تعمل التحليل عبر المجموعات كتحقق خارجي مستقل. بالإضافة إلى ذلك، تم تأطير المكون القائم على المنزل كدراسة جدوى للقياسات المتكررة في المنزل.
تقدم الدراسة إطار عمل لمستشعر التوازن لتصنيف تاريخ السقوط، باستخدام البيانات التي تم جمعها من المشاركين الذين يقفون على مستشعر توازن لتوليد صور لمسة الضغط على القدم. تُستخدم هذه البيانات لاشتقاق مسارات مركز الضغط (CoP) وتقديرات مركز الثقل (CoG)، والتي يتم تحليلها بعد ذلك لمختلف الميزات لتصنيف تاريخ السقوط. كشفت تحليل تعلم الآلة عن أداء تمييزي معتدل بشكل عام، حيث حقق مصنف الغابة العشوائية (RF) أعلى منطقة تحت المنحنى (AUC) قدرها 0.71 في حالة العينين المفتوحتين. بالمقارنة، أظهرت الاختبارات الوظيفية التقليدية، مثل اختبار “القيام والذهاب” (TUG)، قدرات تمييز أقل، مع AUC قدره 0.60. تشير هذه النتائج إلى أن قياسات التوازن القائمة على المستشعر قد تقدم معلومات قيمة لتقييم خطر السقوط لدى كبار السن، مما قد يكمل طرق التقييم التقليدية، على الرغم من أن مزيدًا من التحقق مطلوب بسبب الطبيعة الأولية للنتائج.
مناقشة
تسلط قسم المناقشة في الدراسة الضوء على تطوير والتحقق من صحة مستشعر توازن جديد يستخدم مبدأ الانكسار الداخلي الكلي المحبط (FTIR) لتقييم خطر السقوط لدى كبار السن. يلتقط المستشعر توزيع الاتصال على القدم من خلال كاميرا عالية الدقة ومصادر ضوء LED، مما يوفر تدفقًا مستمرًا من بيانات تمايل الوضعية أثناء الوقوف الهادئ. تتم معالجة هذه البيانات لاستخراج مسارات مركز الضغط (CoP) وتقديرات مركز الثقل (CoG) المستمدة من النموذج، والتي يتم تحليلها بعد ذلك باستخدام إطار عمل شامل يتضمن ميزات مكانية وزمنية وترددية وإحصائية. شملت الدراسة 394 مشاركًا عبر مجموعات مختلفة، حيث تم استخدام مجموعة المختبر لتطوير النموذج وكانت مجموعة مستشفى SYP بمثابة مجموعة تحقق مستقلة.
تشير النتائج إلى أن النهج القائم على المستشعر يقدم قدرة تمييز محسنة لتصنيف تاريخ السقوط مقارنةً بالتقييمات الوظيفية التقليدية، على الرغم من أن تقديرات الأداء كانت أقل مما تم الإبلاغ عنه في البداية بسبب إطار تحليلي أكثر صرامة. تؤكد الدراسة أنه بينما يلتقط المستشعر معلومات متعلقة بالتوازن دقيقة لم يتم تمثيلها بالكامل من خلال الاختبارات التقليدية، فإنه لا يثبت صلاحية تنبؤية مستقبلية للسقوط في المستقبل. تشمل القيود حجم مجموعة المختبر الصغيرة نسبيًا لتحليل تعلم الآلة، والتحقق الخارجي من موقع واحد، والاعتماد على تاريخ السقوط الرجعي. على الرغم من هذه التحديات، تشير الدراسة إلى أن التقييم القائم على المستشعر يمكن أن يكون مكملًا قيمًا لطرق فحص خطر السقوط الحالية، مما يتطلب مزيدًا من البحث للتحقق من الصلاحية المستقبلية وتطبيق أوسع.
DOI: https://doi.org/10.3389/fpubh.2026.1827730
PMID: https://pubmed.ncbi.nlm.nih.gov/42422682
Publication Date: 2026-06-24
Author(s): Jiaming Chen et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
The study investigates a rapid 30-second quiet-standing assessment using a balance sensor and machine learning to classify fall history and assess fall risk in older adults. A total of 394 participants, with a mean age of 71.56 years, were involved across various cohorts: a laboratory cohort, an independent hospital cohort, and a home-based feasibility study. The balance sensor recorded plantar pressure distribution, from which center-of-pressure (CoP) trajectories and model-derived center-of-gravity (CoG) descriptors were extracted. Multiple machine-learning models were evaluated, with the random forest model achieving the highest area under the receiver operating characteristic curve (AUC) of 0.71 in the eyes-open condition of the laboratory cohort.
External validation in the hospital cohort yielded an AUC of 0.68 and an accuracy of 72.0%, surpassing conventional functional assessments. The home-based study demonstrated the feasibility of conducting short-duration balance measurements outside a clinical setting. The findings indicate that a brief sensor-based assessment combined with machine learning could serve as a practical tool for fall-risk evaluation in older adults. However, the study’s reliance on retrospective fall history necessitates further research through larger prospective and multi-center studies to establish predictive validity and broader clinical applicability.
Introduction
Falls represent a significant global health issue, being the second leading cause of accidental injury-related deaths, with approximately 684,000 fatalities annually, predominantly affecting middle-aged and older adults. The World Health Organization estimates that 37.3 million falls each year require medical attention, with a global prevalence of falls among older adults estimated at 26.5%. As the population ages, the burden of fall-related injuries is expected to increase, particularly in countries like China, where falls have emerged as a major public health concern. This underscores the urgent need for effective fall-risk assessment and prevention strategies, particularly as traditional assessment methods may not adequately capture the dynamic nature of balance in everyday life.
Current clinical tools for assessing fall risk, such as the Hendrich II Fall Risk Model and the Berg Balance Scale, are limited in their ability to predict falls across diverse populations and settings. These assessments often rely on controlled environments, failing to account for short-term fluctuations in balance due to various factors. While wearable sensors have shown promise in identifying at-risk individuals, challenges related to adherence and technical support persist. This study addresses these gaps by evaluating a practical sensor-based framework for fall-risk assessment that integrates balance-sensor data and machine-learning models. By quantifying postural balance through center of pressure (CoP) trajectories and related descriptors, the research aims to identify features associated with fall risk and assess the framework’s applicability in laboratory, clinical, and home settings, ultimately seeking to provide a more accessible and effective tool for ongoing balance assessment in real-world environments.
Methods
In this study, the authors employed a balance sensor protocol to assess participants’ fall risk through a series of standardized tests. Participants were instructed to stand on a sensor for 30 seconds with eyes open and then with eyes closed, while data collection was managed by experimenters. To evaluate mobility and fall risk, three clinical assessments were conducted: the Timed Up and Go (TUG) test, Gait Speed Test (GST), and Sit-to-Stand (STS) test. These tests measured completion times and performance in various mobility tasks, providing a comprehensive evaluation of motor function. Additionally, a home-based component was included to assess the feasibility of daily balance-sensor measurements, although this was not intended for predictive validity.
The external validation of the sensor-based fall-risk model was conducted using an independent cohort from SYP Hospital (n = 291), while the laboratory cohort (n = 91) was solely used for model development. The sensor-based model achieved an area under the curve (AUC) of 0.68 and an accuracy of 72% in the hospital cohort, indicating a conservative estimate of performance. In comparison, traditional clinical assessments demonstrated lower discrimination, with AUC values of 0.42 for the 4-meter walk test, 0.53 for the TUG, and 0.48 for the Functional Reach Test. Overall, the sensor-based model outperformed these conventional assessments in terms of AUC, suggesting its potential as a more effective tool for fall risk evaluation.
Results
In the revised manuscript, the results are structured to reflect the study design and evidence levels more accurately. The laboratory-cohort analyses are presented as internally validated findings for retrospective fall-history classification, while the cross-cohort analysis serves as independent external validation. Additionally, the home-based component is framed as a feasibility study for repeated at-home measurements.
The study introduces a balance-sensor framework for fall-history classification, utilizing data collected from participants standing on a balance sensor to generate plantar-pressure haptic images. This data is used to derive center of pressure (CoP) trajectories and center of gravity (CoG) estimates, which are then analyzed for various features to classify fall history. The machine learning analysis revealed moderate overall discriminative performance, with the Random Forest (RF) classifier achieving the highest area under the curve (AUC) of 0.71 under the eyes-open condition. In comparison, conventional functional tests, such as the Timed Up and Go (TUG) test, demonstrated lower discrimination capabilities, with an AUC of 0.60. These findings suggest that sensor-based balance measurements may offer valuable information for assessing fall risk in older adults, potentially complementing traditional assessment methods, although further validation is warranted due to the preliminary nature of the results.
Discussion
The discussion section of the study highlights the development and validation of a novel balance sensor utilizing the Frustrated Total Internal Reflection (FTIR) principle to assess fall risk in older adults. The sensor captures plantar contact distribution through a high-resolution camera and LED light sources, providing a continuous stream of postural sway data during quiet standing. This data is processed to extract center-of-pressure (CoP) trajectories and model-derived center-of-gravity (CoG) estimates, which are then analyzed using a comprehensive framework that includes spatial, temporal, frequency-domain, and statistical features. The study involved 394 participants across various cohorts, with the laboratory cohort used for model development and the SYP Hospital cohort serving as an independent validation group.
The findings indicate that the sensor-based approach offers improved discriminatory ability for fall-history classification compared to conventional functional assessments, although the performance estimates were lower than initially reported due to a more rigorous analytical framework. The study emphasizes that while the sensor captures nuanced balance-related information not fully represented by traditional tests, it does not establish prospective predictive validity for future falls. Limitations include the relatively small laboratory cohort size for machine learning analysis, the single-site external validation, and the reliance on retrospective fall history. Despite these challenges, the study suggests that the sensor-based assessment could serve as a valuable complement to existing fall-risk screening methods, warranting further research for prospective validation and broader applicability.