Utveckling av en webbplattform för att förutsäga fallrisk hos kardiovaskulära patienter med maskininlärning

Varför det är viktigt att hålla hjärtpatienter uppe på fötterna

För miljontals medelålders och äldre vuxna med hjärt- och kärlproblem kan ett enkelt snubbel i hemmet utlösa en kedja av hälsokriser. Ett allvarligt fall kan leda till frakturer, sjukhusvistelser och ett stort bakslag för redan sköra hjärtan. Denna studie undersökte om moderna datorbaserade metoder kan hjälpa läkare att tidigt identifiera vilka kardiovaskulära patienter som löper störst risk att falla, långt innan en olycka inträffar, och därigenom agera i tid för att göra dem säkrare och mer självständiga.

Hur hjärtproblem och fall hänger ihop

Fall är en av de ledande orsakerna till oavsiktliga skador och dödsfall bland äldre globalt och medför stora känslomässiga och ekonomiska kostnader för familjer och vårdsystem. Samtidigt blir hjärt-kärlsjukdom vanligare i takt med att befolkningen åldras, och många patienter med hjärtproblem är särskilt sårbara. Subtila hjärtproblem kan störa blodtryck, balans och uthållighet även innan symtom blir tydliga. När personer med kardiovaskulär sjukdom faller är risken större för komplikationer, behov av operation och svårare återhämtning. Därför är det angeläget ur folkhälsosynpunkt att kunna förutsäga fallrisk i denna grupp.

Att omvandla stora hälsoundersökningar till ett riskverktyg

Forskarna använde en stor nationell studie av kinesiska vuxna 45 år och äldre som följer hälsa, livsstil och sociala faktorer över tid. Från denna rika datamängd identifierade de 1 784 personer med kardiovaskulär sjukdom och följde dem i två år för att se vem som rapporterade ett fall. De undersökte 40 potentiella prediktorer, allt från ålder, utbildning, sömnkvalitet och humör till medicinska tillstånd som njursjukdom och reumatism, samt smärta, tidigare fall och mått på styrka och kognitiv förmåga. Noggrann datarensning, hantering av saknade värden och balansering av fallande och icke-fallande deltagare hjälpte till att förbereda informationen för avancerad analys.

Vad de smarta modellerna lärde sig

I stället för att förlita sig enbart på traditionella statistiska formler testade teamet sex olika metoder inom maskininlärning, som kan upptäcka komplexa mönster i data. En teknik kallad LASSO hjälpte till att reducera de många variablerna till de nio mest informativa. Dessa var ålder, utbildningsnivå, sömnkvalitet, njursjukdom, reumatism, smärta, livstillfredsställelse, depression och tidigare fall. Bland de sex modellerna gav en metod känd som Light Gradient Boosting Machine de mest precisa prognoserna, och skiljde korrekt ut högre och lägre riskpatienter både i den ursprungliga gruppen och i en tidigare våg av undersökningen som användes som extern kontroll. För att öppna maskininlärningens ”svarta låda” använde teamet ett förklaringsverktyg som visar hur mycket varje faktor skjuter en persons risk uppåt eller nedåt.

Riskfaktorer du kan märka och påverka

Förklaringsresultaten belyste att högre ålder och ett tidigare fall var de starkaste varningssignalerna, medan njursjukdom, reumatiska problem, smärta och depression också ökade fallrisken. Å andra sidan tycktes fler år i utbildning, bättre sömn och högre livstillfredsställelse skydda mot fall. Noterbart var att personer med endast något god sömnkvalitet kunde vara särskilt utsatta, kanske för att de fortfarande är aktiva samtidigt som subtila balans- eller uppmärksamhetsproblem påverkar dem. Många av dessa drivkrafter är enkla att fråga om vid ett vårdbesök eller i en samhällscreening, vilket gör modellen praktisk för upptagna vårdarbetare.

Från prediktion till ett enkelt webbverktyg

För att gå från teori till praktik gjorde författarna sin bäst presterande modell till en lättanvänd webbplattform. En kliniker eller vårdarbetare kan mata in en patients ålder, utbildning, sömnkvalitet, humör, smärta, status för njur- och reumatiska sjukdomar, livstillfredsställelse och tidigare fall, och få en uppskattad sannolikhet för att falla under de kommande två åren. Verktyget ersätter inte medicinsk bedömning, men erbjuder ett strukturerat sätt att flagga kardiovaskulära patienter som kan ha störst nytta av styrketräning, heminspektion, behandling av stämningsstörningar eller tätare uppföljning.

Vad detta betyder för vardagslivet

Denna studie visar att smart användning av befintliga enkätdata och maskininlärning kan hjälpa till att identifiera kardiovaskulära patienter som löper störst risk att drabbas av ett fall. Genom att fokusera på ett litet antal begripliga faktorer förblir modellen användbar i verkliga kliniker samtidigt som den fångar komplexa mönster i data. Om sådana verktyg tillämpas med eftertanke kan de stödja mer personligt anpassade förebyggande åtgärder, minska farliga fall och hjälpa personer med hjärtsjukdom att hålla sig på fötter och bibehålla bättre livskvalitet när de åldras.

Citering: 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

Nyckelord: kardiovaskulär sjukdom, fallrisk, maskininlärning, äldre vuxna, riskprediktion