岳躍學，賈玉玲，王秀紅*

1.貴州醫(yī)科大學護理學院，貴州 550025；2.貴州醫(yī)科大學

跌倒是65 歲及以上老年人創(chuàng)傷和死亡的主要原因[1]。中國健康與養(yǎng)老追蹤調(diào)查顯示，城市老年人2 年跌倒發(fā)生率為20%左右，70 歲以上的中高齡老年人跌倒發(fā)生率高于低齡老年人[2]。跌倒會導致許多負面后果，包括嚴重受傷、行動能力下降和喪失獨立性；同時，也會讓老年人產(chǎn)生焦慮、抑郁、跌倒、恐懼等不良情緒，影響身體康復[3]，給家庭和社會造成沉重的精神負擔和經(jīng)濟負擔。研究顯示，美國2015 年與跌倒相關(guān)醫(yī)療費用超過500 億美元[4]；中國估計每年有2 600 萬老年人發(fā)生跌倒，需要約50 億元的直接醫(yī)療成本和600 億～800 億元的社會成本[5]。國內(nèi)外研究指出，使用合適的測評工具對老年人跌倒風險進行評估，有助于制定針對性干預措施，以減少老年人跌倒的發(fā)生，對提高老年人生存率和生活質(zhì)量，降低醫(yī)療和照顧負擔具有重要意義[6-8]。但國內(nèi)外使用的老年人跌倒風險預測工具繁多，各種工具有效評估指標各異，評估內(nèi)容及適用人群不統(tǒng)一，造成預測結(jié)果與老年人真實跌倒現(xiàn)況存在差距。鑒于此,本研究對目前國內(nèi)外常用的跌倒風險預測模型進行總結(jié)、分析，以期為國內(nèi)臨床、社區(qū)跌倒護理實踐和跌倒風險預測模型的構(gòu)建與驗證提供思路。

1 風險預測模型概述

風險預測模型研究的目的是估計一個特定的個體概率結(jié)果，分為診斷模型（癥狀或疾病是否存在）和預后模型（一個特定的結(jié)果是否將在未來發(fā)生）[9]。目前，預測模型的開發(fā)、驗證和更新是臨床研究的熱點和重點[10]。傳統(tǒng)風險預測模型中的Logistic 回歸模型可以直接對跌倒評估量表測量結(jié)果進行分析[11]。隨著更大規(guī)模、更為復雜的醫(yī)療數(shù)據(jù)的產(chǎn)生及人工智能應(yīng)用的興起，人們逐漸借助可穿戴設(shè)備和機器學習技術(shù)（可以處理大量、非線性和高維數(shù)據(jù)）構(gòu)建預測模型，包括決策樹、神經(jīng)網(wǎng)絡(luò)模型和深度學習等[10,12]。預測模型的評價主要包括區(qū)分度、臨床有效性、校準度，其中區(qū)分度較為常用，常見指標為C 指數(shù)，即受試者工作特征曲線下面積（area under curve，AUC）、靈敏度、特異度和約登指數(shù)等[13]。靈敏度為真陽性率，反映了將實際有病的人正確區(qū)分為陽性的能力；特異度為真陰性率，反映了將實際無病的人正確區(qū)分為陰性的能力；約登指數(shù)為靈敏度與特異度相加減去1，反映篩查試驗的真實性[14]。C 指數(shù)為0.50 顯示該模型有預測作用，0.51～0.70 顯示該模型為較低區(qū)分度，0.71～0.90 為中等區(qū)分度，高于0.90 為高區(qū)分度[15]。

2 常用跌倒風險預測模型

常用的老年人跌倒風險預測模型包括跌倒評估量表、可穿戴設(shè)備和機器學習。各種方法可單獨使用或聯(lián)合使用，目前，最常用的仍是量表評估預測法，但越來越多的學者嘗試引入可穿戴設(shè)備和機器學習構(gòu)建跌倒風險預測模型。通過可穿戴設(shè)備直接對量表評估結(jié)果進行處理或與機器學習相結(jié)合，開發(fā)跌倒風險預測平臺和系統(tǒng)，在不同場所中區(qū)分高跌倒人群和篩選高危跌倒風險因素，對跌倒高危人群進行持續(xù)的跌倒風險監(jiān)測和預警，為醫(yī)療機構(gòu)和社區(qū)衛(wèi)生服務(wù)人員開展跌倒干預精準化方案提供有力支持。但上述方法各有利弊，尚需更多的隊列研究來驗證所構(gòu)建模型的有效性。

2.1 跌倒風險評估量表 該量表因其便利性和可操作性，被國內(nèi)外學者廣泛用于預測、評估老年人跌倒風險的重要工具。目前，國內(nèi)外老年人跌倒評估工具種類繁多，包括：①跌倒風險綜合評估量表，如Morse 跌倒風險評估量表(Morse Fall Seale,MFS)、Hendrich Ⅱ跌倒風險評估量表(Hendrich ⅡFall Risk Model，HFRM)、約翰霍普金斯跌倒風險評估量表（Johns-Hopkins Fall Risk Assessment Scale，JHFRAS）、老年人跌倒風險評估量表(Fall Risk Assessment Scale Elderly，F(xiàn)RASE) 和托馬斯跌倒風險評估量表(StThomass Risk Assessment Tool,STRATIFY)等；②跌倒相關(guān)心理評估量表，如特異性活動平衡自信量表(Activities-Specific Balance Confidence,ABC)和跌倒效能量表(Falls Efficacy Scale，F(xiàn)ES)；③平衡功能量表，如Berg 平衡量表(Berg Balance Scale,BBS)和功能性伸展測試(Functional Reach Test,FRT)等；④跌倒預防知信行問卷[16]。大多數(shù)量表使用信效度描述有效性，在使用地點和人群差異較大時，量表的推廣適用度受限。因此，越來越多的學者建議使用靈敏度和特異度等有效性指數(shù)對量表預測有效性進行量性分析，以進一步確定針對特定人群更有效的評估工具[17]。跌倒風險評估量表中使用較為廣泛的是MFS、HFRM、JHFRAT 和BBS。學 者Cho 等[18]對MFS、HFRM、JHFRAT 3 個量表的預測能力進行比較，發(fā)現(xiàn)雖然JHFRAT 的準確 性（74.55%）最 高，MFS 的靈敏度(59.28%)最高，但HFRM 的AUC 為0.742，高于MFS（0.641）和JHFRAT（0.708），約登指數(shù)(0.35)也高于MFS（0.24）和JHFRAT（0.19），是3 個量表中預測能力最好的跌倒評估工具。此外，該研究顯示最重要的跌倒風險因素為步態(tài)、頭暈或眩暈、精神狀態(tài)變化和跌倒史，建議急癥機構(gòu)在評估病人跌倒風險時將上述因素納為重點考慮因素。該研究是在一家以收治急癥病人為主的三級教學醫(yī)院進行的，且該研究未納入已知與跌倒密切相關(guān)的年齡和性別作為風險因素，其研究結(jié)果是否能用于其他醫(yī)療環(huán)境仍需甄別。一項Meta分析對26 種常用于預測老年人跌倒風險的評估工具進行比較，提出盡量選用高靈敏度、高特異度和低異質(zhì)性的量表作為評估工具[19]。目前，國外使用的大多數(shù)跌倒評估工具匯總靈敏度和匯總特異度均<0.6，且研究間異質(zhì)性較高，表明目前用于老年人的跌倒風險評估工具的預測有效性不足，不能準確地預測老年人跌倒。該研究在對各評估量表進行預測有效性比較后得出,BBS 的 特 異 度 最 高 為0.90，AUC 為0.97，因 此，BBS 被認為是目前識別低跌倒風險老年人最有用的工具。此外，該研究建議在使用量表預測老年人跌倒風險時，聯(lián)合使用兩種量表可更好地評估多因素所致老年人跌倒特征并能最大化發(fā)揮單一量表在跌倒風險預測中的作用。

2.2 可穿戴設(shè)備 目前，臨床對老年人跌倒的評估主要依賴相關(guān)量表的主觀測量，此法受臨床時間和成本限制，且具有天花板效應(yīng)，一定程度上限制了跌倒風險的預測效果。近年來，國內(nèi)外學者積極探索更客觀的評估方法并將其與具有更佳成本效益的傳感技術(shù)和軟件通信技術(shù)結(jié)合，開發(fā)出一系列可進行動態(tài)跌倒風險評估、監(jiān)測并發(fā)送警示信息的可穿戴設(shè)備。該設(shè)備體積較小、佩戴方便、成本低，主要由人體活動檢測儀(activity monitors，AM) 和 運 動 檢 測 儀(movement monitors，MM)兩部分構(gòu)成，通過慣性傳感器和加速度計、陀螺儀和磁力計等設(shè)備結(jié)合，可以更客觀、高效、精確地采集人體在平衡控制中各環(huán)節(jié)空間的運動學參數(shù)，并實時、快速進行數(shù)據(jù)分析及傳輸，廣泛用于老年人平衡和步態(tài)受損程度測量、輕微平衡和步態(tài)受損靈敏度測量和日常生活移動能力的測量中[20]；甚至能通過生物反饋裝置，發(fā)送軀干傾斜信號等幫助老年人及時調(diào)整身體姿勢，以預防跌倒。一項研究通過開展226 項測試對比基于可穿戴設(shè)備的自動算法與理療師的觀察結(jié)果，提出使用可穿戴設(shè)備自動算法的跌倒風險評估與觀察數(shù)據(jù)有高度一致性（范圍78.15%～96.55%）和較高程度匹配的有效性[21]。與理療師的觀察結(jié)果相比，基于可穿戴設(shè)備的自動算法的跌倒風險預測有效性分別為：6 min 步行測試準確性為94.64%，靈敏度達97.29%，特異度達89.47%；計時起立測試準確性為94.64%，靈敏度為77.77%，特異度為97.87%；30 s 坐立測試準確性為76.78%，靈敏度為86.20%，特異度為66.66%；4 階段平衡測試準確性為76.78%，靈敏度達95.45%，特異度達8.33%。總體而言，基于可穿戴設(shè)備的跌倒風險自動評估算法可將人為錯誤風險降至最低，可用于代替較為費力的人力觀察評估方法。可穿戴設(shè)備可提供準確、廉價且易于管理的客觀跌倒風險評估，是一種可行的跌倒風險評估工具。目前，可為老年人提供準確的跌倒風險診斷的4 種主要傳感技術(shù)為慣性傳感器、視頻/深度相機、壓力傳感平臺和激光傳感[22]。由于其廣泛的普及性、不斷降低的成本、內(nèi)置的傳感器、計算能力和通信能力，基于安卓的個人設(shè)備，如智能手機、智能手表等正被視為可穿戴跌倒檢測系統(tǒng)的一項有吸引力的技術(shù)。學者Casilari 等[23]基于智能手機和智能手表(均配備嵌入式加速度計和陀螺儀)，在開發(fā)的安卓應(yīng)用程序中實現(xiàn)了不同的跌倒檢測算法，以區(qū)分跌倒與病人日常生活的常規(guī)活動。當兩個安卓設(shè)備同時獨立檢測到跌倒時，即會假設(shè)跌倒已經(jīng)發(fā)生。結(jié)果表明，兩個檢測設(shè)備的聯(lián)合使用明顯提高了系統(tǒng)避免誤報警或“誤報”(那些被誤識別為跌倒的傳統(tǒng)運動)的能力，同時保持了檢測決策的有效性?；趥鞲衅鞯淖藙輷u擺、功能活動、邁步和行走的跌倒風險評估可以區(qū)分跌倒者和非跌倒者[24-25]。Marano等[26]通過智能手機應(yīng)用程序?qū)ε两鹕〔∪诉M行為期4 周的平衡和定時起身走動數(shù)據(jù)監(jiān)測以預測跌倒發(fā)生情況。該研究發(fā)現(xiàn)帕金森病病人跌倒發(fā)生情況與其站立時間有關(guān)，建議臨床工作者在將預防跌倒的重心從步幅、步態(tài)中轉(zhuǎn)移到病人從坐位到站立的姿勢轉(zhuǎn)換（postural transitions，PTs）中去。Zhou 等[27]采用可穿戴設(shè)備測量不同神經(jīng)系統(tǒng)疾病病人的時空步態(tài)特征來預測跌倒，結(jié)果表明偏最小二乘法(PLS-DA)分類模型對所有3 種步態(tài)任務(wù)(ST、DT1 和DT2)表現(xiàn)良好，在AUC 下的分類性能評估區(qū)域分別為0.7,0.6 和0.7。該研究得出具體的步態(tài)特征差異，提出步數(shù)、足趾離地時的足底彎曲和足跟撞擊時的足踝背屈、步幅長度、步幅持續(xù)時間、步速和站立時間是區(qū)分跌倒者和非跌倒者的敏感變量。跌倒者與非跌倒者相比，步速和節(jié)奏較慢，步態(tài)變異性高，空間步態(tài)模式受損，為優(yōu)化特定跌倒預防干預措施提供了具體的方向。雖然，可穿戴設(shè)備為跌倒風險預測提供了便利，但測量參數(shù)、評估工具、傳感器位置、運動任務(wù)和建模技術(shù)的變化，限制了他們預測未來跌倒事件發(fā)生確定結(jié)果的能力[22]。此類裝置的能耗較高，電池供電時間較短[23]，對其平民化普及造成一定限制，在滿足老年用戶使用需求、改善用戶體驗方面存在差距。此外，可穿戴設(shè)備放置既需考慮測量結(jié)果的準確性和代表性，也需考慮佩戴對象的舒適性。目前，針對最佳放置位置仍存在爭議，有研究認為胸部和腰部因靠近人體中心，更能準確檢測跌倒；但也有研究認為將可穿戴設(shè)備的傳感器固定于軀干測量結(jié)果更為準確。同時考慮測量準確性和舒適度仍然面臨挑戰(zhàn)。如使用口袋來保存智能手機會降低檢測程序的有效性，只要設(shè)備可以在口袋內(nèi)自由移動，并降低內(nèi)置加速度計表征用戶移動性的能力。但若將手機固定在病人胸部或腰部，則會影響病人的舒適度，同時妨礙了使用智能手機常規(guī)功能的自由。最后，可穿戴設(shè)備應(yīng)在針對特定醫(yī)療群體經(jīng)過有效的精度測試或可靠性檢驗后謹慎使用于臨床治療和決策中。未來，仍需進行大量前瞻性研究設(shè)計，解決上述不足，從臨床價值、易使用、易佩戴等方面建立基于可穿戴設(shè)備的跌倒風險預測模型及將其應(yīng)用于相關(guān)的智能終端和平臺[28]，以最大化發(fā)揮該設(shè)備在跌倒風險預測中的實際使用價值。

2.3 機器學習 機器學習通過識別病人數(shù)據(jù)中與研究者感興趣的臨床結(jié)果相關(guān)的多變量，開發(fā)穩(wěn)健的預測模型[28]。機器學習算法可以在單個模型中整合大量不同數(shù)據(jù)類型(連續(xù)、分類或順序)的變量，從而最大限度地提高性能并最小化與多重比較相關(guān)的問題。與統(tǒng)計假設(shè)檢驗不同，機器學習側(cè)重于預測精度，并提供在未知和未來數(shù)據(jù)集上估計模型概括性的方法，兩者在臨床實踐中都至關(guān)重要。目前，在跌倒預測中應(yīng)用較多的機器學習算法是決策樹算法、支持向量機算法、樸素貝葉斯算法、隨機森林算法、人工神經(jīng)網(wǎng)絡(luò)算法和深度學習等[12,29]。決策樹是機器學習中常見的一種方法，處理數(shù)據(jù)效率較高，在跌倒風險預測模型的構(gòu)建中應(yīng)用較多，可細分為分類決策樹、回歸決策樹、極端梯度提升等類型[30]。Marschollek 等[31]通過對大量老年住院病人評估數(shù)據(jù)進行數(shù)據(jù)挖掘，建立了分類樹跌倒預測模型，其總體分類準確率為66.0%，靈敏度為55.4%，特異度為67.1%，陽性預測值和陰性預測值分別為15.0%和93.5%。該模型有效識別出高齡（70 歲以上）、低Barthel 指數(shù)（≤45 分）、認知障礙、多重用藥和共病5 個高風險人群亞組。該模型仍需從前瞻性研究設(shè)計和經(jīng)濟學角度開展進一步的驗證，此外，也有必要建立一個混合風險分類模型，以擴大其應(yīng)用人群及范圍。Ye 等[32]基于極端梯度提升算法從電子病歷中提取165 225 例老年病人的信息并建立了1 年跌倒預測模型，該模型AUC 值為0.807，其中50%被識別高風險真陽性的病人在第2 年的前94 d 內(nèi)發(fā)生了跌倒。該模型還提前捕捉到了第2 年前30 d 和30～60 d 發(fā)生的58.01%和54.93%的跌倒。極端梯度提升算法在最終預測模型中捕獲了157 個有影響的預測因子，其中認知障礙、步態(tài)和平衡異常、帕金森病、跌倒史和骨質(zhì)疏松癥被確定為未來跌倒事件的前5 個最強預測因子。Deschamps 等[33]使用決策樹模型幫助醫(yī)務(wù)人員客觀地評估第1 次跌倒發(fā)生的風險，該模型共提取13 個預測因子，認為營養(yǎng)不良、膝關(guān)節(jié)活動范圍受限、踝關(guān)節(jié)感覺減退以及聽力和視力缺陷的老年人發(fā)生首次跌倒的風險較高。雖然該模型是可用于預測老年人首次跌倒發(fā)生的簡單易用的工具，但仍需通過更大的隊列研究來驗證其準確性及臨床相關(guān)性。Tamura 等[34]通過使用BBS 進行決策樹分析，發(fā)現(xiàn)最近1 年內(nèi)有1 次以上跌倒史、肌肉無力、使用助行器或輪椅、需要協(xié)助轉(zhuǎn)移、使用麻醉品、危險行為及高度自立是跌倒的危險因素。此外，提出無跌倒史、不需要協(xié)助轉(zhuǎn)運或BBS 評分≥51 分的病人跌倒風險較低。該研究表明，基于決策樹的跌倒預測有效且直觀。但此項研究未納入正在使用麻醉鎮(zhèn)靜藥物的病人，因此其在不同人群預測有效性還有待驗證。支持向量機算法主要用于解決模式識別領(lǐng)域中的數(shù)據(jù)分類問題，屬于監(jiān)督學習算法的一種[30]。Polus 等[35]將機器學習與可穿戴設(shè)備相結(jié)合用于預測病人全髖關(guān)節(jié)置換術(shù)后跌倒的風險。提出使用僅來自術(shù)前預約的傳感器衍生度量的支持向量機分類器獲得了高性能模型（準確度為0.87，靈敏度為0.97，特異度為0.46，AUC 為0.82）。當將術(shù)后2 周的數(shù)據(jù)添加到術(shù)前數(shù)據(jù)中時，使用線性判別分析分類器獲得了整體改善的性能（準確性為0.90，靈敏度為0.93，特異度為0.59，AUC 為0.88）。人工神經(jīng)網(wǎng)絡(luò)是一種具有非線性適應(yīng)性信息處理能力的算法，可克服傳統(tǒng)人工智能方法對于直覺信息處理方面的缺陷[30]。已有研究探索了人工神經(jīng)網(wǎng)絡(luò)在老年人跌倒風險預測中的作用[36]。Kabeshova 等[37]招募3 289 名65 歲及以上的社區(qū)志愿者檢驗3 種人工神經(jīng)網(wǎng)絡(luò)多層感知器、修正的多層感知器和增強拓撲的神經(jīng)進化（neuro evolution of augmenting topologies，NEAT）對復發(fā)性跌倒者和非復發(fā)性跌倒者進行分類的效率。結(jié)果表明，與MLP 和修正的MLP 相比，使用15 種臨床特征的NEAT 表現(xiàn)出最佳的跌倒復發(fā)預測效率，其靈敏度為80.42%，特異度為92.54%，陽性預測值為84.38%，陰性預測值為90.34%，準確性達88.39%，是識別老年社區(qū)居民復發(fā)性跌倒的有效神經(jīng)網(wǎng)絡(luò)。深度學習模型是機器學習領(lǐng)域中一個新的研究方向,接近于人工智能（artificial intelligence,AI）[30]。研究表明，深度學習模型中的多任務(wù)學習，可以基于可穿戴傳感器數(shù)據(jù)有效評估跌倒風險[38]。Mauldin 等[39]基于3 個不同的跌倒數(shù)據(jù)集（智能手表、Notch 及Farseeing）使用傳統(tǒng)（支持向量機和樸素貝葉斯）和非傳統(tǒng)（深度學習）機器學習算法創(chuàng)建跌倒預測模型。結(jié)果表明，深度學習能夠從原始加速度計數(shù)據(jù)中自動學習樸素貝葉斯和支持向量機無法獲得的細微特征，用于跌倒檢測的深度學習模型在3 個數(shù)據(jù)集上的性能通常優(yōu)于更傳統(tǒng)的模型。綜上所述，目前越來越多的國內(nèi)外學者意識到了機器學習在老年人跌倒風險預測中相較傳統(tǒng)風險評估方法的巨大優(yōu)勢。將機器學習應(yīng)用于可穿戴跌倒風險預測系統(tǒng)中，可以更好地提高跌倒檢測性能[40]，這也是未來可穿戴設(shè)備和機器學習在老年人跌倒風險預測中的發(fā)展趨勢和研究重點。但機器學習的算法較多，各種算法均有其優(yōu)缺點，如何基于臨床實際需求和特定研究人群特征，選取最優(yōu)的算法，調(diào)整算法學習架構(gòu)和參數(shù)以提高預測模型的有效性仍有待進一步研究。

3 小結(jié)

老年人跌倒是一個受到全球重視的公共健康問題，因跌倒對老年人及其家庭的危害較多較大，跌倒風險預測模型對于及時、及早識別和區(qū)分高、低跌倒風險老年人，制定精準化干預措施，有效預防其跌倒具有重要價值和意義。