Een val vormt een groot probleem bij het ouder worden. Toch bestaan er geen modellen voor het classificeren van valrisico's bij ouderen. De huidige screeningsinstrumenten hebben een beperkte voorspellende waarde om een onderscheid te maken tussen een laag en een hoog valrisico.
Deze studie heeft tot doel risicofactoren te identificeren die verband houden met een hoger valrisico aan de hand van een levenskwaliteitsvragenlijst waarin biologische, gedrags-, omgevings- en sociaaleconomische factoren zijn opgenomen. Deze inzichten kunnen bijdragen tot de ontwikkeling van een algoritme voor valrisico-indeling van ouderen.
De vragenlijst werd ontwikkeld door de onderzoeksgroep Belgian Ageing Studies van de Vrije Universiteit Brussel en voorgelegd aan 82.580 ouderen voor een gedetailleerde analyse van de risicofactoren die verband houden met de valincidentiegegevens. Op basis van eerder bekende risicofactoren werden 139 vragen uit de vragenlijst geselecteerd om in deze studie op te nemen. De opgenomen vragen werden gecodeerd, ontbrekende waarden werden weggelaten en multicollineariteit werd beoordeeld. Een random forest classifier die leert een val te voorspellen werd getraind om het belang van elk afzonderlijk kenmerk te onderzoeken.
Vierentwintig vragen werden opgenomen in het classificatiemodel. Uit de output van het model bleek dat alle factoren verband hielden met het valrisico, waarvan twee biologische risicofactoren, acht gedragsfactoren, elf sociaaleconomische en drie omgevingsrisicofactoren. Elk van deze variabelen droeg tussen 4,5 en 6,5% bij tot de verklaring van het valrisico.
Deze studie identificeerde 24 valrisicofactoren met behulp van machine learning-technieken om ouderen met een hoog valrisico te identificeren. Het handhaven van een mentaal, fysiek en sociaal actieve levensstijl, het verminderen van kwetsbaarheid en het zich tevreden voelen met de woonsituatie dragen bij tot het verminderen van het valrisico. Verder onderzoek is nodig om tot een gebruiksvriendelijk screeningsinstrument voor de dagelijkse praktijk te komen.
De volledige paper is beschikbaar via Characterizing fall risk factors in Belgian older adults through machine learning: a data-driven approach | BMC Public Health | Full Text (biomedcentral.com)