FRAT-up，一个基于网络的社区老年人跌倒风险评估工具

简介

背景

在65岁或以上的社区居民中，约30%每年至少有一次意外摔倒的经历[1]，而这一组别的年下降率约为每人0.65次[2］．摔倒可导致受伤，是活动受限、住院和残疾的主要原因[3.，4］．跌倒是导致全球残疾年数(YLD)的第十大原因。全球约占2000万YLD [5]和总计3500万残疾调整生命年[6］．在人口老龄化的国家，这种负担更为明显;在意大利，估计它是导致YLD的第三大原因[7］．

人们提出了许多预防策略，其中一些已被证明是有效的[8-10］．然而，它们的实施一直很缓慢，在欧洲的覆盖范围也不够。11-13］．这些干预措施的个人和社会成本往往是阻碍其实施的因素之一。为了利用现有资源并仅对风险增加的受试者进行干预，医学协会和国家卫生当局建议采用跌倒风险评估工具[14-17］．

现有的工具

跌倒风险评估工具及其准确性的综述可在文献中查阅[18-23］．其中最常用和最有效的工具是定时Up and Go测试(TUG)、性能导向移动评估(POMA)和生理特征评估(PPA) [24］．尽管进行了广泛的研究，但现有的跌倒风险评估工具仍不足以预测跌倒[23，25-28］．

现有知识和本体

大量的科学出版物已经确定了暴露于风险因素和跌倒风险之间的统计相关性，就优势比而言。此外，一些综述和荟萃分析可用，从而为跌倒风险因素提供了坚实的科学基础[29-35］．

在我们的跌倒风险评估工具(FRAT-up)中，我们面临着以结构化的方式表示科学文献中可用的信息的问题。在计算机科学中，本体是一个共享概念的正式的、明确的规范[36];本体作为一种知识表示形式被广泛应用于人工智能、语义Web和生物医学信息学。形式化的方法，如本体论和语义Web，也是流行病学研究中的重要工具[37］．

研究目的

FRAT-up的目标是为65岁或以上居住在社区住宅的受试者提供摔倒风险评估工具。该工具主要适用于两种不同的卫生专业人员角色:(1)提供初级保健服务的全科医生(gp)，对跌倒没有具体的了解，他们需要一个评估工具来评估受试者的跌倒风险和可能的早期干预措施;(2)参与跌倒预防和治疗的专业人员，他们需要一个工具来以可靠和定量的方式不断评估跌倒风险。我们确定了以下要求:(1)评估工具应识别跌倒高风险人群，(2)该工具应利用现有的关于跌倒风险因素的知识，(3)该工具应足够灵活，允许使用不同的临床试验来估计每个风险因素，以及(4)评估工具应在无法获得关于受试者的完整信息的情况下具有健壮性。

FARSEEING项目中已经发展了兄弟会[38]，它的目标是满足上面列出的所有要求。

方法

概述

FRAT-up的基本假设是认为跌倒风险与受试者暴露于已知风险因素直接相关。因此，研究的起点是列出风险因素的科学文献，以及这些因素与跌倒之间关系的定量信息(通常以优势比的形式)。然而，这些文献没有提供任何危险因素的结构化定义和相关信息。因此，FRAT-up方法的第一个构建块包括一个列出风险因素和相关数据的正式本体。

一旦通过FRAT-up风险因素本体获得了定量信息，我们需要决定每个风险因素(暴露)是如何影响整体风险的。我们的方法基于概率，而关于危险因素的流行病学研究通常以优势比的方式提供信息。因此，第二个构建块是在一些假设下从比值比到概率的数学转换，这一节将进一步解释。

FRAT-up的第三个组成部分是带注释析点的逻辑编程(LPAD)程序，该程序允许根据概率规则和概率推理来表示每个风险因素的贡献。

跌倒危险因素的形式化本体

在FRAT-up中，考虑到多个领域，定义了跌倒风险因素本体。例如，根据可逆性(肯定可逆、特定主题可逆或不可逆)和环境(社区住宅、急性护理等)对危险因素进行分类图1．

‎ 查看此图

在本体中，风险因素被区分为二分，标量,而且协同作用的因素。二分危险因素表明是否存在危险状况，而不考虑其严重程度。标量风险因素还表明受试者暴露于危险条件的程度。由于风险因素之间的协同作用是众所周知的[39]，如果两个或两个以上的风险因素同时存在，就会比单独存在的风险更高，协同因素就会明确说明。

我们在本体论中包含的一系列风险因素来自Deandrea等人对社区居住的老年人跌倒的已知风险因素进行的完善的元分析[29)(见表1)．

本体论还包括每个风险因素的优势比，取自Deandrea等人[29］．此外，我们在本体中引入了风险因素和相应的风险因素之间的明确区分估计．估计器是一种评估存在的方法，必要时，评估风险因素的严重性(可能与其他估计器结合使用)。

本体论中包含的其他数据是风险因素的普遍性和将估计器映射为因素的过程。完整的信息，包括定量数据的来源，在多媒体附件1．

从比值比到概率

概述

FRAT-up风险评估算法基于单个风险因素的概率贡献。在下面，我们将展示如何通过几个数学步骤从比值比中提取概率。

最初，我们假设每个风险因素是二分类的;我们将在关于如何推广到具有标量和协同风险因素的情况的部分进一步解释这一点。让E₀，E₁、……E_n是n+ 1个值为{0;1}的二分随机变量，和E =（E₀，E₁、……E_n)．我们说我^th存在危险因素，如果E_我= 1。让d₀，d₁、……d_n是n+ 1个事件。我们假设有以下条件独立关系:

方程1:d_我|E_我⊥d_j，E_j∀j≠我

我们称之为d_我特定于危险因素的跌倒事件E_我．公式1中的假设可以表述为，特定于风险因素的跌倒是相互独立的，条件是它们相关的风险因素。我们定义事件d作为特定因素事件的并集，d_我(图2)．也就是说,d如果至少有一个d_我的说法得到了验证。这是一个因果独立的假设，其中的“原因”，E₀，E₁、……E_n,独立地对效果的概率做出贡献d；完整的正式定义见[40］．在我们的案例研究中，d在给定的时间跨度内是否至少出现过一次跌倒事件(如果没有跌倒，则不验证)，而E是对受试者在一定时间范围内暴露的危险因素的观察。

的条件概率d鉴于E可以计算为图3，由方程1中的德摩根定律和假设。该函数对给定一组可能原因的事件的概率进行建模，被称为噪声或门[41](在本例中，OR指的是逻辑运算符)。我们做了假设图4．C_我这个数量还有待确定。C_我是对效应概率的贡献吗d因为暴露在危险因素之下E_我．为组件赋值的方法C_我将在下面介绍。使用公式图4，式中的方程图3中所描绘的图5．由于我们想要模拟不良事件的最小概率，即使在没有任何观察特异性暴露的情况下，我们分配P（E₀= 1) = 1。C₀这个案例中存在的风险。为了给曝光的贡献赋值，我们从OR开始。与危险因素相关的ORE_我,我= 1,…,n，定义为in图6．注意条件E₀=1始终为真，为方便起见在上面突出显示。

没有一种方法可以将优势比转换为概率，因为一个精确的函数需要比仅由优势比传递的信息更多的信息，因此需要一些假设。我们提出了一组可能的假设，从而得出一种计算曝光贡献的明确方法。

‎ 查看此图

‎ 查看此图

假设(一)

我们假设或_我可以近似为图7．非正式地，假设(a)指出，对整个人群计算的优势比类似于将人群限制为最多一次暴露的受试者计算的优势比。在每个受试者最多一次暴露的模型中，这一假设显然是正确的;否则，这两个值就会有差异。这还没有被量化;该方法的近似质量将与其他方法进行实验比较，作为今后的发展方向。

根据公式1和中的假设图4中描述的派生图8遵循。代入方程图8在等式中图7并求解C_我时，我们最终得到中所描述的方程图9．我们把它代入方程图5中所描述的结果图10．

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

假设(b)

我们假设知道C₀这是通过将其作为自由参数，然后用方程求解算法学习来计算的。特别地，我们使用了二分法，将报告的总坠落数强加于[1］．

这个模型要求我们知道每个风险因素是否存在。在下一节中，我们将介绍FRAT-up处理缺失值的方法。

关于如何从优势比和未暴露组中相关结果的发生率中获得相对风险的一般参考，请参见[42］．

LPAD结构和处理未知暴露，标量和协同风险因素

lpad是逻辑程序[43子句的头句是带注释的原子的分离。条款的形式为:

h₁：p₁V…Vh_n：p_n←b₁∧…∧b_米∧⌉c₁∧…∧⌉c_l

在哪里h₁、……h_n是原子，和p₁、……p_n是与每个间断相关的概率吗。每个原子h_我的概率p_我如果主体为真，并且原子没有出现在任何其他子句的头部。当它这样做时，预期的语义是分布语义，如[44]，这些物体对原子的概率有各自的贡献[40］．的概率p₁、……p_n当显式概率的总和小于1时，就会有一个隐式的“null”原子。

粗略地说，对于每个在其头部包含一个间断的子句，将生成不同的实例，每个实例都包含恰好有一个间断的子句。查询的概率将由包含该查询的模型的所有实例的概率之和给出。

的语法cplint［45)实现。注意，在子句的头句中，分离符用符号“;”表示，而在序句中，连接符通常用“，”表示。方程图5可以很容易地实现LPAD规则(代码1 LPAD模板计算掉概率的贡献):

fall(X): c0。

fall(X): c1:- e1(X)。

fall(X): c2:- e2(X)。

.．.

在c0≡C₀c1≡C₁， e1(X)≡(E₁= 1) c2≡C₂， e2(X)≡(E₂= 1)……

即使受试者的部分数据缺失，评估工具也应该提供可靠的信息。当测试没有(或不能)进行或相关临床专业人员认为其结果不具有决定性和可靠性时，可能会出现缺失值。在这些情况下，我们使用扩展代码1的风险因素的普遍性如下所示:

fall(X): c0。

e1(X): p1:- u1(X)。

fall(X): c1:- e1(X)。

e2(X): p2:- u2(X)。

fall(X): c2:- e2(X)。

.．.

其中u1(X)， u2(X)…为真，当主体存在因子1,2…时X不是确定的。

一个标量因子，暴露水平从0(不暴露)到米(最大曝光量)，则实现方式类似于一套米二分类因子，从1级开始，每个暴露水平对应一个因子。LPAD规则与级别相关k如果标量风险因素的级别为，则触发k或更高版本。

风险因素之间的积极协同作用(如共病)在科学文献中有很好的记录。由于这将违反之前所做的因果独立假设，我们根据Deandrea元分析调整了模型[29]，引入协同因素。

协同因子，表示之间潜在的协同作用年代二分类风险因素的实现类似于具有最大可能水平的标量风险因素年代- 1，其中曝光数等于问， 0≤问≤年代，则级别为0问v = 0问=1 and is问-否则为1。因此，当至少两个因素之间存在协同作用时，风险开始增加。

LPAD的自动生成

从风险因素优势比到LPAD规则的方法是完全自动化的。已经用Java程序设计语言(1.7版)制作和测试了一个工作原型;它可以从本体或其他来源读取风险因素比值比，并输出直接用于风险评估的LPAD程序。

综合(见图11)，从本体或其他数据源读取具有优势比的完整风险因素数据;创建一个包含优势比的数据结构，然后转换(通过中的方程)图9)，另一个包含概率值。最后编译LPAD规则:将这些规则应用于一个对象，以给出它们在给定时间跨度内坠落的概率。

‎ 查看此图

数据集和验证过程

在InCHIANTI数据集(NCT01331512)上对FRAT-up鉴别性能和校准进行了测试，该数据集最初招募了1453人(1150名65岁或以上的受试者)，并在全球范围内进行了为期9年的连续4次随访。这是一项基于人群的流行病学研究，在意大利基安蒂大区的两个地点进行:基安蒂的格雷夫(第1区;11709居民;>65岁:19.3%)和Bagno a Ripoli(安特拉村，24704居民;>65岁:20.3%)。这项研究调查了与年龄相关的流动性下降[46］．

InCHIANTI研究始于1998年9月的基线评估(第一波)，于2000年3月完成。每3年进行一次随访评估。因此，分别于2001-2003年和2004-2006年(第二波和第三波)进行了3年和6年的随访评估。随后在2007-2009年(第四波)进行了为期9年的随访。第五波浪潮正在进行中。

在每一波中，受试者都被问及在过去的12个月里是否发生过跌倒。此外，还对受试者进行了临床评估，以收集跌倒危险因素的信息(也收集了其他临床变量，这些变量与本工作无关[46])。

我们的研究使用了前三波的风险因素信息，只考虑65岁或以上的受试者。通过这样做，我们从977名受试者中获得了2319个样本(每个受试者最多可以有三个样本)。

在每一波中，前瞻性地使用每个受试者的危险因素来计算他们在下一波中跌倒的风险(例如，使用基线时临床评估的危险因素来计算未来跌倒的风险，并将其与随访1前12个月发生任何跌倒的记录信息进行比较，等等)。

InCHIANTI数据集中存在的估计量和从中推导风险因素的算法列在多媒体附件1．

通过受试者工作特征(ROC)曲线、ROC曲线下面积(AUC)、Brier评分和Hosmer-Lemeshow检验验证FRAT-up的鉴别能力和校正能力[47］．由于FRAT-up不需要基于可用数据对算法进行训练，这些指标是通过使用所有可用数据作为测试集来计算的。

结果

ROC曲线见图12；AUC值为0.642 (95% CI 0.614-0.669)。Hosmer-Lemeshow测试产生一个非常低的P值(<.001)表示误校准有统计学意义。如图中的标定图所示图13，这种误标定是由于对风险层一致的风险高估。Brier评分为0.174。

‎ 查看此图

‎ 查看此图

讨论

主要研究结果

通过AUC(0.642)区分跌倒受试者和未跌倒受试者的能力优于其他常用的筛查工具:最近的一项荟萃分析估计TUG的AUC在0.54和0.59之间[28]，而poma平衡量表(也称为Tinetti平衡量表)的AUC约为0.56 [23］．由于在研究的每一波中，每个受试者都被问及他们是否在过去的12个月里跌倒过，而这一波大约相隔3年，这意味着我们在评估风险因素后的24到36个月之间评估了事件的预测。如果在评估后的那一年就有关于摔倒的信息，结果可能会更好。此外，值得注意的是，InCHIANTI数据集不是专门为调查跌倒风险而设计的。由于这些限制，需要在其他数据集上进行验证。

FRAT-up高估了下跌的风险。由于这种高估，如图所示图13，在十分位数上是一致的，误标定不太重要。这种高估背后的主要原因可能是跌倒的发生率从[1(31%的受试者一年至少跌倒一次)，这是用来计算这个术语的C₀，高于InCHIANTI人群中观察到的摔倒发生率(22%)。减少高估的一种可能的方法是将输出乘以一个常数，但我们没有在数据集上利用这种学习。

FRAT-up确实利用了现有的知识，因为它仅仅是根据来自文献的信息构建的，这些信息在元分析中被系统化了。通过这样做，它避免了过度拟合和过度乐观，这些问题众所周知会影响预测模型[48］．

虽然InCHIANTI数据集上的验证是基于一组特定的估计器，但该体系结构允许使用不同的估计器。验证结果来自InCHIANTI数据集，其中某些变量(如性别和年龄)的缺失值百分比从0%到视力障碍的17%不等。

FRAT-up算法的互动原型可在网上免费获得[49］．其界面描述为图14．

‎ 查看此图

兄弟会的局限性和未来发展

FRAT-up是基于一个简化的假设，即风险因素独立地影响着坠落的概率。继Deandrea等人[29]为了部分地放松这种假设，我们在方法部分引入了协同因素。但是，可以研究不同的方法。

我们的方法显示了相对于InCHIANTI数据集中缺失值的鲁棒性。然而，缺失值的存在对性能的影响程度应该进一步研究。未来，FRAT-up将在不同人群的其他数据集上进行测试，可能会使用不同的风险因素估计器，并与替代风险评估工具进行比较。此外，考虑优势比的置信区间可以让我们在未来评估与下跌风险估计相关的不确定性。

Deandrea等人的元综述中未报告的危险因素[29](如罕见危险因素)不被考虑。此外，其他信息来源，如专家意见和行政/人口数据目前被忽视。正在进行的工作致力于用这些附加信息扩展风险因素本体。对该工具的评价不应仅仅局限于统计评估。可用性和有用性，在预后模型的文献中越来越被认为是重要的[50]，因此将被评估。

在预防跌倒战略的框架内，关于指明特定主题的可改变的风险因素及其对风险的数量影响的资料将是有用的。实际上，我们预见到该工具将与电子病历、全科医生的工具相结合，并将在公共卫生机构中采用该工具进行全民评估。

所提出的解决方案的多功能性将允许将临床信息(本研究中使用的)与其他数据来源相结合，如环境传感器信息或可穿戴传感器，记录无监督的长期身体活动和/或通过仪器化运动评估定量评估有监督或无监督的身体表现[51-55］．

将《FRAT-up》扩展为智能手机等“智能”设备的应用是一种有趣的做法。该工具可以提供丰富的基于传感器的信息，并可以扩展到根据受试者当前的身体活动提供“实时”风险评估。虽然从技术角度来看，这样的扩展将是简单而直接的，但使用智能手机传感器数据(在跌倒风险估计中)仍然是一个开放的研究问题。

最后，由于FRAT-up是基于一种通用的方法，它可以以不同的方式进行扩展/应用，例如在不同的环境(例如，急性护理或养老院)中评估摔倒风险。另一种延伸是估计除跌倒以外的结果，如中风风险，更一般地，估计与风险因素存在/不存在直接相关的任何风险。