使用机器学习为心血管患者预测跌倒风险的网络平台开发

为何让心脏病患者保持站立如此重要

对于数以百万计的中老年心血管疾病患者来说，家中的一次绊倒就可能触发一连串的健康危机。严重的跌倒可导致骨折、住院，并对本已脆弱的心脏造成重大打击。本研究探讨现代计算技术能否帮助医生在事故发生很久之前识别出最可能跌倒的心血管患者，从而及早介入，保障他们更安全、更独立的生活。

心脏问题与跌倒的联系

跌倒是全球老年人意外伤害和死亡的主要原因之一，给家庭和卫生系统带来沉重的情感与经济负担。与此同时，随着人口老龄化，心血管疾病愈发常见，许多心脏病患者尤其脆弱。隐匿的心脏问题可在症状明显前扰动血压、平衡和耐力。当心血管疾病患者跌倒时，他们更容易出现并发症、需要手术，并在恢复期面临更高风险。因此，在该人群中预测跌倒风险是一个紧迫的公共卫生问题。

把大型健康调查转成风险工具

研究者利用了一项针对中国45岁及以上成人的全国性大型研究，该研究随时间追踪健康、生活方式与社会因素。从这份丰富的数据集中，他们识别出1784名患有心血管疾病的个体，并随访两年以观察谁报告了跌倒情况。他们检视了40个潜在预测变量，涵盖年龄、受教育程度、睡眠质量和情绪，到肾脏病、风湿病等医疗状况，以及疼痛、既往跌倒史和体力与认知能力的测量。通过细致的数据清理、缺失值处理以及对跌倒者与非跌倒者的平衡处理，为高级分析准备了信息。

智能模型学到了什么

研究团队没有只依赖传统统计方法，而是测试了六种不同的机器学习方法，这些方法能够发现数据中的复杂模式。称为LASSO的技术帮助将众多变量筛选到九个最具信息性的因素：年龄、教育水平、睡眠质量、肾脏疾病、风湿病、疼痛、生活满意度、抑郁和既往跌倒史。在这六种模型中，一种被称为Light Gradient Boosting Machine的方法提供了最准确的预测，能够在原始样本和作为外部检验的早期调查队列中都正确区分高风险与低风险患者。为了解开机器学习的“黑箱”，团队使用了解释工具，展示每个因素如何将个人的风险向上或向下推动。

你能感知并且可以改变的风险因素

解释结果显示，年龄较大和既往跌倒是最强的警示信号，而肾脏疾病、风湿问题、疼痛和抑郁也会增加跌倒概率。相反，受教育年限更长、睡眠更好以及生活更满意则有助于降低跌倒风险。值得注意的是，睡眠质量仅为中等偏好的人群可能处于特别高的风险中，或许因为他们在仍受微妙平衡或注意力问题影响的同时保持活动。许多这些驱动因素在诊所访问或社区筛查中都易于询问，使得该模型对忙碌的卫生工作者也具有实用性。

从预测到一个简单的网络工具

为了将理论付诸实践，作者将表现最好的模型转化为一个易用的网络平台。临床医生或卫生工作者可以输入患者的年龄、教育、睡眠质量、情绪、疼痛、肾脏及风湿病状况、生活满意度和既往跌倒史，并得到一个未来两年跌倒概率的估算。虽然该工具不能替代医学判断，但它提供了一种结构化的方法，帮助识别可能最需要力量训练、家庭安全检查、情绪干预或更密切随访的心血管患者。

对日常生活的意义

这项研究表明，合理利用现有调查数据和机器学习可以帮助识别最可能发生跌倒的心血管患者。通过聚焦于一小组易于理解的因素，模型在真实世界的诊所中仍然可用，同时还能捕捉数据中的复杂模式。如若谨慎应用，此类工具可支持更个性化的预防计划，减少危险性跌倒，并帮助心脏病患者在老年保持站立能力与更好的生活质量。

引用: 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

关键词: 心血管疾病, 跌倒风险, 机器学习, 老年人, 风险预测