Fall prediction using decision tree analysis in acute care          units

Tamura, Shuntaro; Kobayashi, Makoto; Saito, Yasuyuki; Asakura, Takeshi; Usuda, Shigeru

doi:10.1589/jpts.32.722

Cited by 4 publications

(3 citation statements)

References 24 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Understanding various information related to the risk of falls is necessary to prevent them. Previous studies using assessment sheets 3) and walking tests 4,5) did not measure the movements involved in a fall and could determine only the potential fall risk. A number of studies have measured actual fall situations, and wearable sensors have been used to identify the occurrence of a fall [6][7][8] .…”

Section: Introductionmentioning

confidence: 99%

Identification of the cause of fall during the pre-impact fall period

et al. 2022

View full text Add to dashboard Cite

This study aimed to develop and validate a method for identifying factors that may cause a fall during the pre-impact fall period using wearable sensors. [Participants and Methods] The participants were 23 young people from the public data set (mean age, 23.4 years). Acceleration and angular velocity information obtained from sensors attached to the participant's waist was used to generate the pre-impact fall. The cause of the fall (slip, trip, fainting, get up, sit down) was then classified with and without the addition of activity of daily living data using three different support vector machine. In addition, we investigated the influence of lead time (0-2.0s) on accuracy. [Results] The quadratic and cubic support vector machine identified the activity of daily living and fall patterns more accurately than the linear support vector machine, and the cubic support vector machine was better for classification, although the difference was slight. The greatest accuracy for predicting the cause of the fall (87.9%) was obtained when the cubic support vector machine was used, activity of daily living was factored into the analysis, and the lead time was 0.25 sec. [Conclusion] Support vector machine can identify the cause of the fall during the pre-impact fall period. Appropriate individualized interventions may be designed based on the most likely cause of fall as identified by this analysis method.

show abstract

Section: Introductionmentioning

confidence: 99%

Identification of the cause of fall during the pre-impact fall period

et al. 2022

View full text Add to dashboard Cite

show abstract

“…Além disso, a minoria dos trabalhos demonstra meios para acessá-los através de um contato com os autores, mas ainda continuam sendo restritas devido à origem dos dados (YOUNG et al, 2020). Por outro lado, grande parte dos trabalhos citam os atributos presentes com suas respectivas descrições (YOUNG et al, 2020;TAMURA et al, 2020;LINDBERG et al, 2020). Assim, tais restrições podem dificultar o desempenho da área devido à falta de bases de dados para a comparação de metodologias.…”

Section: Discussionunclassified

“…Mesmo que exista a predominância de alguns fatores associados ao risco de queda, nota-se que há fatores que podem variar de acordo com a cultura aplicada e o grupo de caso analisado, ou seja, o contexto de análise. Trata-se, portanto, de um outro campo de oportunidade para novos estudos e talvez identificação do padrão-ouro (BULUT et al, 2006;BUISSERET et al, 2020;DUNCAN et al, 2015;TAMURA et al, 2020).…”

unclassified

Uma metodologia para análise de risco de queda associado a fatores demográficos e clínicos de pacientes

Viana¹

View full text Add to dashboard Cite

Ao meu orientador, Prof. Dr. Paulo Sergio Rodrigues, pela confiança em mim e no meu trabalho, por toda a paciência e atenção, por todas as aulas e ensinamentos passados a mim, e por me ajudar a amadurecer gradualmente como um pesquisador profissional ao longo dos últimos anos.A todos os amigos e colegas que interagi ao longo do curso, pelo compartilhamento de ideias e dúvidas, e pelos momentos de discussão e descontração.Aos meus pais (Renato Rodrigues e Arlene Batista), meu irmão (Felippe Viana), minha namorada (Luana Ogata) e a todos os familiares, por sempre terem me apoiado e entenderem a minha decisão de realizar esse curso.Ao Centro Universitário FEI, pela infraestrutura, disponibilidade de recursos para o desenvolvimento do trabalho e pelos funcionários que me auxiliaram durante esse período."O começo de todas as ciências é o espanto de as coisas serem o que são." Aristóteles RESUMOO número de quedas de pacientes em diversas circunstâncias é um dos maiores problemas de gestão e cuidados hospitalares, podendo levar ao agravamento da saúde do paciente, consequente demora na recuperação e custos hospitalares. Portanto, leva a prevenção a ser uma demanda importante para reduzir tantos problemas de saúde dos pacientes quanto problemas econômicos relacionados. Existem diversos fatores demográficos e clínicos que contribuem para aumento desses riscos. Em vista disso, este trabalho propôs um estudo de risco de queda em bases de dados de pacientes intra e pós hospitalizados por meio de técnicas estatísticas e de Aprendizado de Máquina. O estudo incluiu uma análise de grupos e fatores, apresentando aqueles que possuem maiores impactos nas quedas a partir das análises especificadas. Os resultados mostraram que os algoritmos que se destacaram foram Regressão Logística (Logistic Regression) (LR) e Support Vector Machine (SVM), com valores médios de acurácia, Area under the Receiver Operating Characteristic (AUROC) e F1-Score próximos de 0.81, 0.84 e 0.65, respectivamente. Em termos de clusterização, pode-se destacar o algoritmo Agglomerative Hierarchical Clustering que apresentou um valor médio de Calinski Harabasz Index, Davies Bouldin Index, Silhouette Score próximo a 8.06 * 10 6 , 0.81 e 0.45, mostrando ser eficiente e flexível nas diferentes bases selecionadas. Observando os atributos selecionados, pode-se destacar os três segmentos de dados, sendo eles: dados físicos do paciente, comorbidades e fatores relacionados ao ambiente da queda. Através dos resultados comparados da clusterização com os grupos existentes da base original, pode-se destacar que a clusterização pode ser um meio eficiente para agrupar pacientes e facilitar a criação de soluções pontuais para cada persona.

show abstract