来源：期刊VIP网 时间：
作者：胡海洲;董庚鑫;赵浩霖;郭宇鑫;彭淑婷;高颀;包大鹏;
单位：北京体育大学运动医学与康复学院;北京首创生态环保集团股份有限公司;北京体育大学中国运动与健康研究院;
摘要：目的：基于老年人多维度功能评估指标，运用机器学习算法构建并验证社区老年女性跌倒风险识别模型，帮助早期识别高风险个体并开展针对性预防干预举措。方法：招募北京市114名65岁及以上社区老年女性，按照7∶3比例随机分为训练集与测试集。采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归筛选关键特征变量，构建多层感知机、极端梯度提升、随机森林、朴素贝叶斯、逻辑回归和支持向量机6种机器学习模型并评估模型的识别效能，运用沙普利加性解释（shapley additive explanations,SHAP）方法解释模型特征重要性。结果：LASSO回归筛选出8项重要特征变量，包括计时起立行走测试（time up and go test,TUGT）时间、握力、蒙特利尔认知功能评估（Montreal cognitive assessment,MOCA）评分、交替踏步测试（alternate step test,AST）时间、闭眼单腿站立测试（eyes-closed single leg stance test,EC-SLST）时间、5次坐站测试（five times sit-to-stand test,FTSTS）时间、腰臀比（waist-to-hip ratio,WHR）和年龄。朴素贝叶斯模型的表现最佳，测试集受试者工作特征曲线（receiver operating characteristic curve,ROC）的曲线下面积（area under the curve,AUC）为0.937(95%CI:0.832-1.000)，准确率、灵敏度、精确率、F1分数和Brier分数分别为0.829、0.867、0.765、0.812和0.110。随机森林模型次之，AUC为0.917(95%CI:0.814-0.993)。SHAP分析显示，TUGT时间对识别模型贡献度最高，其次是握力与MOCA评分。结论：基于TUGT时间、握力、MOCA评分、AST时间、ECSLST时间、FTSTS时间、WHR和年龄的多维指标，朴素贝叶斯和随机森林模型能够有效识别65岁及以上社区老年女性跌倒风险。
关键词：机器学习;;跌倒风险;;老年女性;;计时起立行走
