DOI: https://doi.org/10.3389/fpubh.2026.1778750
PMID: https://pubmed.ncbi.nlm.nih.gov/41889634
تاريخ النشر: 2026-03-11
المؤلف: Chuan Mou وآخرون
الموضوع الرئيسي: التوازن، والمشي، والوقاية من السقوط
نظرة عامة
تقييمت هذه المراجعة المنهجية والتحليل التلوي دقة الأجهزة القابلة للارتداء في التنبؤ بالسقوط بين كبار السن، من خلال تجميع البيانات من 20 دراسة. كشفت النتائج عن منطقة تحت المنحنى (AUC) مجمعة تبلغ 0.85، مما يشير إلى قدرة تمييز قوية، تتميز بخصوصية عالية (0.89) وحساسية معتدلة (0.55). تشير هذه النتائج إلى أن الأجهزة القابلة للارتداء فعالة في الفحص المبكر وتصنيف المخاطر في كل من البيئات المجتمعية والمؤسسية، مما يساعد في تحديد أولويات موارد التدخل. ومع ذلك، لا يُوصى باستخدام هذه الأجهزة كأدوات مستقلة لاستبعاد خطر السقوط في المستقبل.
أشارت تحليلات المجموعات الفرعية إلى أن الدراسات التي تستخدم نماذج التعلم الآلي أظهرت أداءً تنبؤياً متفوقاً (AUC = 0.90). بالإضافة إلى ذلك، وُجد أن عوامل مثل هيكل عمر السكان، وحجم العينة، ومكان المستشعر تؤثر على دقة التنبؤ. يدعو المؤلفون إلى أن تركز الأبحاث المستقبلية على دراسات معيارية متعددة المراكز وكبيرة العينة لتحسين التحقق الخارجي، وتحسين المعايرة، وتقييم الفائدة السريرية الصافية لهذه الأجهزة في التطبيقات الواقعية.
مقدمة
تعتبر السقوط قضية صحية عامة هامة لكبار السن، حيث تؤدي إلى حوالي 684,000 حالة وفاة سنوياً، مع أعلى معدلات الوفيات بين الأفراد الذين تتراوح أعمارهم بين 60 عاماً وما فوق. تعرف منظمة الصحة العالمية السقوط بأنه هبوط غير مقصود إلى مستوى أدنى، ويزيد تزايد عدد السكان المسنين من عبء الإصابات المرتبطة بالسقوط، والتي يمكن أن تتراوح من الخدوش الطفيفة إلى النتائج الشديدة مثل الكسور والارتجاجات. لا تؤدي هذه الإصابات فقط إلى زيادة مخاطر الاستشفاء والتدهور الوظيفي، ولكنها أيضاً تزرع “خوف السقوط”، مما قد يؤدي إلى تقليل النشاط وزيادة خطر السقوط، وبالتالي الضغط على أنظمة الرعاية الصحية اقتصادياً، حيث تصل التكاليف إلى حوالي 2.3 مليار جنيه إسترليني في المملكة المتحدة و50 مليار دولار في الولايات المتحدة.
تعتمد تقييمات خطر السقوط التقليدية على المقاييس السريرية والاختبارات الوظيفية، التي غالباً ما تفشل في التقاط الطبيعة الديناميكية للحركات اليومية ولها دقة تنبؤية غير متسقة. تسمح التطورات الأخيرة في تكنولوجيا الأجهزة القابلة للارتداء، وخاصة وحدات القياس القابلة للحركة (IMUs)، بالمراقبة المستمرة والموضوعية للمشي والتحكم في الوضع في البيئات الواقعية. بينما ركزت الأبحاث الأولية على البيئات الخاضعة للرقابة، هناك اتجاه متزايد لاستخدام هذه الأجهزة للمراقبة المستمرة أثناء الأنشطة اليومية، مما يكشف عن خصائص الحركة المرتبطة بخطر السقوط. ومع ذلك، تختلف القدرات التنبؤية لهذه الدراسات بشكل كبير بسبب الاختلافات في المنهجيات. على الرغم من زيادة حجم الأبحاث حول الأجهزة القابلة للارتداء لاكتشاف السقوط، هناك نقص ملحوظ في الدراسات الشاملة حول التنبؤ بالسقوط، حيث تتناول حوالي 12% فقط من الأدبيات هذا النهج الاستباقي. وبالتالي، فإن مراجعة منهجية وتحليل تلوي لدراسات التنبؤ بالسقوط المعتمدة على الأجهزة القابلة للارتداء أمر ضروري لتقييم دقتها التنبؤية ودعم تطبيقها في إدارة مخاطر السقوط.
الطرق
في هذه المراجعة المنهجية والتحليل التلوي، هدف المؤلفون إلى تقييم دقة التنبؤ لمختلف الدراسات المتعلقة بخطر السقوط، مع التركيز بشكل خاص على النتائج الثنائية المصنفة كسقوط مقابل عدم سقوط. استخدمت التحليلات جداول الطوارئ 2 × 2 لتلخيص النتائج، والتي شملت الإيجابيات الحقيقية، والإيجابيات الكاذبة، والسلبيات الحقيقية، والسلبيات الكاذبة. اتبعت المنهجية الإرشادات التي وضعتها عناصر التقرير المفضلة للمراجعات المنهجية والتحليل التلوي لدراسات دقة الاختبارات التشخيصية (PRISMA-DTA)، مما يضمن نهجاً صارماً ومعيارياً لتجميع الدراسات المشمولة.
النتائج
تشير نتائج التحليل التلوي إلى أن الأجهزة القابلة للارتداء تظهر حساسية مجمعة تبلغ 0.55 (95% CI: 0.42-0.67; I² = 93.09%) وخصوصية مجمعة تبلغ 0.89 (95% CI: 0.84-0.93; I² = 94.04%) في التنبؤ بالسقوط بين كبار السن. وُجد أن نسبة الاحتمال الإيجابية تبلغ 5.2 (95% CI: 3.1-8.71; I² = 88.78%)، بينما كانت نسبة الاحتمال السلبية 0.5 (95% CI: 0.37-0.68; I² = 94.15%). بالإضافة إلى ذلك، تم حساب نسبة الاحتمالات التشخيصية المجمعة عند 10.39 (95% CI: 4.77-22.62; I² = 100.00%).
كشفت تحليل منحنى التشغيل التلوي (SROC) عن تشتت معتدل بين الدراسات الفردية، مما أسفر عن منطقة تحت المنحنى (AUC) إجمالية تبلغ 0.85 (95% CI: 0.81-0.88). تشير هذه AUC إلى أن الأجهزة القابلة للارتداء تمتلك أداءً تمييزياً جيداً في تقييم خطر السقوط بين كبار السن، مما يبرز فائدتها المحتملة في استراتيجيات الصحة الوقائية لهذه الفئة السكانية.
المناقشة
تسلط قسم المناقشة في هذه المراجعة المنهجية والتحليل التلوي الضوء على الدقة التنبؤية للأجهزة القابلة للارتداء في خطر السقوط بين كبار السن، من خلال تجميع البيانات من 20 دراسة. تشير النتائج إلى حساسية مجمعة تبلغ 0.55 (95% CI: 0.42-0.67) وخصوصية تبلغ 0.89 (95% CI: 0.84-0.93)، مع منطقة تحت المنحنى (AUC) تبلغ 0.85 (95% CI: 0.81-0.88)، مما يشير إلى أداء تمييزي جيد بشكل عام. تؤكد المراجعة أنه على الرغم من التقدم في تقنيات التنبؤ بالسقوط، إلا أن العديد من الدراسات قد ركزت بشكل أساسي على اكتشاف السقوط بدلاً من الوقاية، مما أدى إلى تحديات في التوحيد والعمومية للنتائج.
كشفت تحليلات المجموعات الفرعية أن النماذج التنبؤية المعتمدة على التعلم الآلي تفوقت بشكل كبير على الطرق التقليدية، محققة حساسية أعلى وAUC (0.90 مقابل 0.79). بالإضافة إلى ذلك، أظهرت الدراسات التي تشمل المشاركين الذين تتراوح أعمارهم ≥75 عاماً أداءً تنبؤياً أفضل، على الأرجح بسبب زيادة تباين المشي في هذه الفئة السكانية. كما لاحظ التحليل أن مكان المستشعر يؤثر على الأداء، حيث أن المستشعرات غير المرتبطة بالجذع تحقق حساسية وخصوصية أعلى. على الرغم من هذه النتائج الواعدة، تعترف المراجعة بوجود تباين كبير بين الدراسات، ناتج عن اختلافات في خصائص المشاركين، وأنواع المستشعرات، والنهج المنهجي. يدعو المؤلفون إلى أن تركز الأبحاث المستقبلية على توحيد التعريفات والمنهجيات، وتعزيز التحقق الخارجي، واستكشاف القابلية السريرية للأجهزة القابلة للارتداء في مجموعات سكانية متنوعة.
DOI: https://doi.org/10.3389/fpubh.2026.1778750
PMID: https://pubmed.ncbi.nlm.nih.gov/41889634
Publication Date: 2026-03-11
Author(s): Chuan Mou et al.
Primary Topic: Balance, Gait, and Falls Prevention
Overview
This systematic review and meta-analysis evaluated the accuracy of wearable devices in predicting falls among older adults, synthesizing data from 20 studies. The findings revealed a pooled area under the curve (AUC) of 0.85, indicating strong discriminative ability, characterized by high specificity (0.89) and moderate sensitivity (0.55). These results suggest that wearable devices are effective for early screening and risk stratification in both community and institutional settings, aiding in the prioritization of intervention resources. However, the devices are not recommended as standalone tools for ruling out future fall risk.
Subgroup analyses indicated that studies utilizing machine learning models exhibited superior predictive performance (AUC = 0.90). Additionally, factors such as population age structure, sample size, and sensor placement were found to influence predictive accuracy. The authors advocate for future research to focus on standardized, multi-center, large-sample prospective studies to enhance external validation, improve calibration, and assess the clinical net benefit of these devices in real-world applications.
Introduction
Falls are a significant public health issue for older adults, leading to approximately 684,000 fatalities annually, with the highest mortality rates among individuals aged 60 and older. The World Health Organization defines a fall as an unintended descent to a lower level, and the increasing aging population exacerbates the burden of fall-related injuries, which can range from minor abrasions to severe outcomes like fractures and concussions. These injuries not only elevate hospitalization risks and functional decline but also instill a “fear of falling,” which can lead to reduced activity and increased fall risk, thereby straining healthcare systems economically, with costs reaching approximately £2.3 billion in the UK and $50 billion in the US.
Traditional fall risk assessments rely on clinical scales and functional tests, which often fail to capture the dynamic nature of daily movements and have inconsistent predictive accuracy. Recent advancements in wearable technology, particularly inertial measurement units (IMUs), allow for continuous and objective monitoring of gait and postural control in real-world settings. While initial research focused on controlled environments, there is a growing trend to utilize these devices for continuous monitoring during daily activities, revealing movement characteristics linked to fall risk. However, the predictive capabilities of these studies vary widely due to differences in methodologies. Despite the increasing volume of research on wearable devices for fall detection, there is a notable lack of comprehensive studies on fall prediction, with only about 12% of the literature addressing this proactive approach. Thus, a systematic review and meta-analysis of wearable device-based fall prediction studies is essential to evaluate their predictive accuracy and support their application in fall risk management.
Methods
In this systematic review and meta-analysis, the authors aimed to evaluate the prediction accuracy of various studies concerning fall risk, focusing specifically on binary outcomes categorized as fall versus non-fall. The analysis utilized 2 × 2 contingency tables to summarize the results, which included true positives, false positives, true negatives, and false negatives. The methodology adhered to the guidelines set forth by the Preferred Reporting Items for Systematic Reviews and Meta-Analyses for Diagnostic Test Accuracy Studies (PRISMA-DTA), ensuring a rigorous and standardized approach to the synthesis of the included studies.
Results
The meta-analysis results indicate that wearable devices exhibit a pooled sensitivity of 0.55 (95% CI: 0.42-0.67; I² = 93.09%) and a pooled specificity of 0.89 (95% CI: 0.84-0.93; I² = 94.04%) for predicting falls in older adults. The positive likelihood ratio was found to be 5.2 (95% CI: 3.1-8.71; I² = 88.78%), while the negative likelihood ratio was 0.5 (95% CI: 0.37-0.68; I² = 94.15%). Additionally, the pooled diagnostic odds ratio was calculated at 10.39 (95% CI: 4.77-22.62; I² = 100.00%).
The summary receiver operating characteristic (SROC) curve analysis revealed moderate dispersion among individual studies, yielding an overall area under the curve (AUC) of 0.85 (95% CI: 0.81-0.88). This AUC suggests that wearable devices possess good discriminative performance in assessing fall risk among older adults, highlighting their potential utility in preventive health strategies for this demographic.
Discussion
The discussion section of this systematic review and meta-analysis highlights the predictive accuracy of wearable devices for fall risk in older adults, synthesizing data from 20 studies. The findings indicate a pooled sensitivity of 0.55 (95% CI: 0.42-0.67) and specificity of 0.89 (95% CI: 0.84-0.93), with an area under the curve (AUC) of 0.85 (95% CI: 0.81-0.88), suggesting good overall discriminative performance. The review emphasizes that while advancements in fall prediction technologies have been made, many studies have primarily focused on fall detection rather than prevention, leading to challenges in standardization and generalizability of results.
Subgroup analyses revealed that machine learning-based predictive models significantly outperformed traditional methods, achieving higher sensitivity and AUC (0.90 vs. 0.79). Additionally, studies involving participants aged ≥75 years showed better predictive performance, likely due to increased gait variability in this demographic. The analysis also noted that sensor placement impacts performance, with non-trunk sensors yielding higher sensitivity and specificity. Despite these promising results, the review acknowledges substantial heterogeneity among studies, stemming from variations in participant characteristics, sensor types, and methodological approaches. The authors advocate for future research to standardize definitions and methodologies, enhance external validation, and explore the clinical applicability of wearable devices in diverse populations.