По данным недавних исследований, люди с ампутированными конечностями чаще падают, чем люди, принадлежащие к гериатрической популяции. При этом люди с ампутированными конечностями долго вообще не учитывались в исследованиях риска падений и потенциальных решениях этой проблемы.
Случайные падения являются второй причиной смертности от травм всего населения мира.
При этом падения занимают первое место среди людей в возрасте от 65 лет и старше. Согласно Данным Центров по контролю и профилактике заболеваний, уровень смертности в этой группе с 2009 по 2018 вырос на 30%.
Принцип роботы программы
Для борьбы с растущей опасностью началась разработка и внедрение продуктов, которые разрабатываются для того, чтобы обнаруживать падения и вызывать медиков, либо для прогнозирования падения перед самим падением.
Алгоритм программ разрабатывается не только для людей преклонного возраста, а и для пациентов, с ампутированными конечностями. Согласно данным исследователей, эта группа подвержена падениям чаще (до 80%), чем здоровая гериатрическая популяция.
Новая программа, разработанная в коллаборации исследователей из Канады и Словении, попробует заполнить этот пробел. Приложение на смартфоне учитывает изменения походки, которые происходят после ампутации нижних конечностей, в результате чего можно спрогнозировать риск падения.
Журнал PLOS Digital Health опубликовал результаты исследования, в которых говориться, что алгоритм машинного обучения встроен в приложение для смартфона. Смартфон надевают на поясницу пациента во время стандартного шестиминутного теста ходьбы — 6MWT. После того, как тест 6MWT завершен, к работе приступает искусственный интеллект: каждый удар ногой автоматически фиксируется. Как правило, это приходится делать в ходе трудоемкого ручного процесса, поскольку, по словам авторов исследования, большинство других алгоритмов оценки риска падения не были запрограммированы для анализа «изменчивости и нестабильности» походки людей с ампутированными конечностями.
В тесте ходьбы принимали участие 80 человек, 27 из которых пережили падение в течение предшествующих шести месяцев и, таким образом, были классифицированы как имеющие более высокий риск падений в будущем. Каждый тест анализировался с использованием как ручной маркировки ударов ногой, так и автоматической маркировки новой программы.
Ручная маркировка оказалась более точной при классификации риска падения всех пациентов, при этом программа оказалась в равной степени способной идентифицировать пациентов с более высоким риском падения, причем оба метода достигли чувствительности около 56%.
В целом, точность ручного подхода к маркировке достигла 80% по сравнению с 72% для программы, который был снижен из-за шести дополнительных ложных срабатываний, которые он произвел.
В целом, исследователи пришли к выводу, что эти результаты свидетельствуют о том, что алгоритм является жизнеспособным вариантом, помогающим рассчитать риск падения для людей с ампутированными конечностями, и поэтому его можно интегрировать в приложение для смартфона, чтобы обеспечить клиническую оценку сразу после 6MWT.
