Vergleichsstudie zu demografischen Informationen, klinischen Skalen und Fragebögen sowie Mobilitätstests zur Beurteilung des Sturzrisikos bei älteren Erwachsenen

Stürze sind die Hauptursache für Verletzungen und Todesfälle bei älteren Erwachsenen; jedoch sind die relativen Beiträge der verschiedenen Sturzrisikofaktoren-Domänen noch unklar. Eine vergangene Sturzhistorie sagt zukünftige Stürze stark voraus, weshalb die Klassifikation der Sturzhistorie für die prospektive Risikoabschätzung entscheidend ist. Diese Studie verglich drei Domänen zur Klassifikation des Sturzhistorien-Status bei älteren Erwachsenen als Grundlage für die Sturzrisikoabschätzung. Querschnittsstudie mit Beobachtungscharakter. Wir analysierten den G-STRIDE-Datensatz (163 ältere Erwachsene; Durchschnittsalter Standardabweichung = 82,6 ± 6,2 Jahre; 72,4 % weiblich; 52,8 % mit Sturz). Drei Domänen wurden untersucht: demografische Informationen (DGI), klinische Skalen und Fragebögen (CSQ) sowie Mobilitätstests und -kontexte (MTC). Vier Klassifikatoren (logistische Regression, Support Vector Machine, Random Forest und künstliches neuronales Netzwerk) wurden mittels 10-facher Kreuzvalidierung, Leave-One-Out-Validierung und Hold-Out-Validierung bewertet. Bootstrap 95% Konfidenzintervalle (CIs) und gepaarte t-Tests wurden für die Vergleiche der Fläche unter der ROC-Kurve (AUC) verwendet. MTC allein erreichte eine AUC von 0,89 (95 % CI: 0,83–0,94) und übertraf signifikant DGI (AUC = 0,76, P < 0,001). DGI plus MTC zeigte einen marginalen Vorteil gegenüber DGI plus CSQ (P = 0,064). Die evolutionäre Optimierung identifizierte ein siebenvariablenstarkes Subset, das von Mobilitätsmaßen dominiert wurde und die Leistung des Vollmodells erreichte (AUC = 0,90). Eine multimetodische Analyse der Feature-Importance identifizierte den Untersuchungsort, den Frailty-Index und die kurze Falls Efficacy Scale-International als die wichtigsten Prädiktoren. Die externe Validierung mit GAIT2CARE (N = 127) erreichte eine AUC von 0,802 für DGI plus MTC. Objektive Mobilitätstests kombiniert mit demografischen Daten ermöglichten eine effiziente Sturzrisikoabschätzung ohne umfangreiche fragebogenbasierte Erhebungen und unterstützen erleichterte klinische Screenings.