Opracowanie platformy internetowej do przewidywania ryzyka upadków u pacjentów z chorobami sercowo-naczyniowymi przy użyciu uczenia maszynowego

Dlaczego ważne jest utrzymanie pacjentów kardiologicznych na nogach

Dla milionów osób w średnim i starszym wieku żyjących z problemami serca i naczyń, zwykły potknięcie się w domu może wywołać kaskadę kryzysów zdrowotnych. Poważny upadek może prowadzić do złamań, pobytów w szpitalu i poważnego pogorszenia stanu już osłabionego serca. W badaniu postawiono pytanie, czy nowoczesne techniki komputerowe mogą pomóc lekarzom wcześnie wykryć, którzy pacjenci z chorobami sercowo-naczyniowymi najbardziej narażeni są na upadek — długo przed samym zdarzeniem — i podjąć działania, które zwiększą ich bezpieczeństwo i samodzielność.

Jak problemy sercowe łączą się z upadkami

Upadki są jedną z głównych przyczyn urazów i zgonów w wyniku wypadków wśród starszych osób na całym świecie i niosą ze sobą znaczne koszty emocjonalne i finansowe dla rodzin oraz systemów opieki zdrowotnej. Jednocześnie choroby układu krążenia stają się coraz powszechniejsze wraz ze starzeniem się społeczeństw, a wielu pacjentów z chorobami serca jest szczególnie wrażliwych. Subtelne problemy sercowe mogą zaburzać ciśnienie krwi, równowagę i wytrzymałość, nawet zanim pojawią się wyraźne objawy. Gdy osoby z chorobami sercowo-naczyniowymi doznają upadku, częściej występują u nich powikłania, konieczność operacji oraz wyższe ryzyko w trakcie rekonwalescencji. Dlatego przewidywanie ryzyka upadku w tej grupie jest pilnym zadaniem zdrowia publicznego.

Przekształcanie dużych badań zdrowotnych w narzędzie oceny ryzyka

Badacze sięgnęli do dużego krajowego badania dorosłych Chińczyków w wieku 45 lat i starszych, które śledzi czynniki zdrowotne, styl życia i uwarunkowania społeczne w czasie. Z tego bogatego zestawu danych wyodrębnili 1 784 osoby z chorobami sercowo-naczyniowymi i obserwowali je przez dwa lata, by sprawdzić, kto zgłaszał upadek. Przeanalizowali 40 potencjalnych predyktorów, obejmujących wiek, wykształcenie, jakość snu i nastrój, a także choroby takie jak schorzenia nerek i reumatyzm, oraz ból, wcześniejsze upadki i pomiary siły oraz funkcji poznawczych. Dokładne czyszczenie danych, uzupełnianie brakujących wartości i zrównoważenie grup osób, które upadły i które nie upadły, przygotowały dane do zaawansowanej analizy.

Czego nauczyły się inteligentne modele

Zamiast polegać wyłącznie na tradycyjnych formułach statystycznych, zespół przetestował sześć różnych metod uczenia maszynowego, które potrafią odkrywać złożone wzorce w danych. Technika o nazwie LASSO pomogła zredukować dużą liczbę zmiennych do dziewięciu najbardziej informatywnych. Były to: wiek, poziom wykształcenia, jakość snu, choroba nerek, reumatyzm, ból, satysfakcja z życia, depresja oraz historia upadków. Spośród sześciu modeli metoda znana jako Light Gradient Boosting Machine zapewniła najdokładniejsze prognozy, prawidłowo rozdzielając pacjentów o wyższym i niższym ryzyku zarówno w grupie pierwotnej, jak i w wcześniejszej fali badania użytej jako zewnętrzna walidacja. Aby otworzyć „czarną skrzynkę” uczenia maszynowego, zespół wykorzystał narzędzie wyjaśniające, które pokazuje, jak bardzo każdy czynnik zwiększa lub zmniejsza ryzyko danej osoby.

Czynniki ryzyka, które można odczuć i zmienić

Wyniki wyjaśnień wskazały, że największymi ostrzegawczymi sygnałami były starszy wiek i wcześniejszy upadek, podczas gdy choroba nerek, problemy reumatyczne, ból i depresja także zwiększały prawdopodobieństwo upadku. Z kolei dłuższy czas nauki, lepsza jakość snu i wyższa satysfakcja z życia miały tendencję do ochrony przed upadkami. Co istotne, osoby ze średnio dobrą jakością snu mogły być szczególnie narażone, być może dlatego, że pozostają aktywne mimo subtelnych problemów z równowagą lub uwagą. Wiele z tych czynników można łatwo ustalić podczas wizyty w przychodni lub w badaniu przesiewowym w społeczności, co sprawia, że model jest praktyczny dla zapracowanych pracowników służby zdrowia.

Od prognozy do prostego narzędzia internetowego

Aby wyjść poza teorię, autorzy zamienili swój najlepiej sprawdzający się model w łatwą w użyciu platformę internetową. Klinicysta lub pracownik zdrowotny może wpisać wiek pacjenta, wykształcenie, jakość snu, nastrój, ból, stan nerek i choroby reumatyczne, satysfakcję z życia oraz historię upadków i otrzymać oszacowane prawdopodobieństwo upadku w ciągu następnych dwóch lat. Narzędzie nie zastępuje osądu medycznego, lecz oferuje uporządkowany sposób wykrywania pacjentów kardiologicznych, którzy mogą najbardziej skorzystać z treningu siły, przeglądu bezpieczeństwa domu, leczenia zaburzeń nastroju lub baczniejszej obserwacji.

Co to oznacza w codziennym życiu

Badanie pokazuje, że mądre wykorzystanie istniejących danych z ankiet i uczenia maszynowego może pomóc zidentyfikować pacjentów z chorobami sercowo-naczyniowymi, którzy są najbardziej narażeni na upadek. Koncentrując się na niewielkim zestawie zrozumiałych czynników, model pozostaje użyteczny w warunkach klinicznych, a jednocześnie wychwytuje złożone wzorce w danych. Jeśli będzie stosowany rozważnie, takie narzędzia mogą wspierać bardziej spersonalizowane plany zapobiegania, zmniejszać liczbę niebezpiecznych upadków i pomagać osobom z chorobami serca pozostać na nogach oraz utrzymać wyższą jakość życia wraz z wiekiem.

Cytowanie: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

Słowa kluczowe: choroby sercowo-naczyniowe, ryzyko upadku, uczenie maszynowe, osoby starsze, prognozowanie ryzyka