EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC 4.0

Admission clinical and functional assessments for predicting inpatient fall risk using machine learning models

Klinische und funktionelle Aufnahme-Assessments zur Vorhersage des Sturzrisikos im Krankenhaus mithilfe von Machine-Learning-Modellen

Ya-Wen Lee, Ying-Lin Hsu, Shu-Mei Lai, Chih-Hao Lin, Chih-Ming Lin, Jia-Lang Xu iD

DIGITAL HEALTH · 2026-02 · 12

DOI: 10.1177/20552076261461638 ↗

Auf einen Blick

Anhand von 483.174 erwachsenen stationären Patient:innen wurden Machine-Learning-Modelle zur frühen Erkennung von Sturzrisiko entwickelt. Die Trennschärfe war moderat; ohne SMOTENC war der Recall für Sturzereignisse sehr niedrig.

Fragestellung

Lassen sich klinische und funktionelle Merkmale bei Aufnahme nutzen, um das Sturzrisiko im Krankenhaus mit Machine-Learning-Modellen vorherzusagen?

Methode

Retrospektive Analyse von 483.174 erwachsenen stationären Patient:innen; Logistic Regression, SVM, Random Forest, XGBoost und MLP; Training mit und ohne SMOTENC; 5-fache Cross-Validation.

Ergebnisse

Wichtige Prädiktoren waren Sturzanamnese, Medikamentengebrauch, Schwindel, sensorische Beeinträchtigung und reduzierte Funktionsfähigkeit. Ohne SMOTENC lag die AUC-ROC bei 0,62 bis 0,72, mit SMOTENC bei 0,67 bis 0,70; der Recall stieg auf etwa 50 bis 60 %.

Einschränkungen

Starkes Klassenungleichgewicht begrenzte die Erkennung seltener Sturzereignisse; SMOTENC verbesserte den Recall, führte aber zu einem Precision-Recall-Trade-off.

Schlussfolgerung der Autor:innen

Machine-Learning-Modelle erfassten klinisch relevante Sturzrisikofaktoren mit moderater Diskriminierung. Bei unausgeglichenen Datensätzen sollten AUC-ROC und klassenspezifische Metriken gemeinsam interpretiert werden.

Kernaussagen

  • Moderate AUC-ROC bei mehreren Modellen
  • Recall für Sturzereignisse ohne SMOTENC sehr niedrig
  • SMOTENC erhöhte den Recall auf etwa 50 bis 60 %

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift DIGITAL HEALTH, online erschienen am 14.06.2026. Verfasst von Ya-Wen Lee und 5 weiteren Autor:innen. Beteiligte Einrichtung: Department of Administration, Lutung Christian Hospital of Changhua Christian Medical Foundation, Changhua, Taiwan. Die Arbeit wurde bisher 2-mal zitiert (Crossref) und nennt 32 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objectives

Falls are a major patient safety concern in inpatient care. This study aimed to develop machine learning models using multidimensional clinical factors to improve early identification of high-risk patients.

Methods

A retrospective dataset of 483,174 adult inpatients was analyzed. Logistic Regression, Support Vector Machine, Random Forest, Extreme Gradient Boosting, and Multi-Layer Perceptron were applied. Models were trained with and without SMOTENC and evaluated using five-fold cross-validation, with emphasis on AUC-ROC, recall, and F1-score.

Results

Key predictors included fall history, medication use, dizziness, sensory impairment, and reduced functional status. Without SMOTENC, models achieved moderate AUC-ROC values ranging from 0.62 to 0.72, but exhibited extremely low recall and F1-scores for fall events. After applying SMOTENC, AUC-ROC remained stable in the range of 0.67 to 0.70, while recall improved substantially to approximately 50 to 60 percent. Random Forest and XGBoost demonstrated relatively stable AUC-ROC performance, whereas MLP showed limited generalization ability.

Conclusions

Machine learning models can capture clinically relevant fall risk factors, with AUC-ROC indicating moderate discrimination. Severe class imbalance substantially limits minority event detection. Although SMOTENC improves recall, it introduces a precision–recall trade-off, underscoring the need to interpret AUC-ROC alongside class-specific metrics in imbalanced clinical datasets.

Schlagwörter

Stichwörter der Autor:innen

activities of daily livingfall risk predictionmachine learning modelsmulti-layer perceptronpolypharmacy

Autor:innen und Institutionen

  • Department of Administration, Lutung Christian Hospital of Changhua Christian Medical Foundation, Changhua, Taiwan.
  • Graduate Institute of Clinical Nursing, College of Medicine, National Chung Hsing University Taichung, Taiwan.
  • Department of Applied Mathematics and Institute of Statistics, National Chung Hsing University, Taichung, Taiwan.
  • Nursing Department, Changhua Christian Hospital, Changhua, Taiwan.
  • Big Data & Digital Promotion Center, Changhua Christian Hospital, Changhua, Taiwan.
  • Department of Neurology, Changhua Christian Hospital, Changhua, Taiwan.

ORCID-Profile: Jia-Lang Xu

Zitieren

APA

Lee, Y. W., Hsu, Y. L., Lai, S. M., Lin, C. H., Lin, C. M., & Xu, J. L. (2026). Admission clinical and functional assessments for predicting inpatient fall risk using machine learning models. DIGITAL HEALTH, 12. https://doi.org/10.1177/20552076261461638

Vancouver

Lee YW, Hsu YL, Lai SM, Lin CH, Lin CM, Xu JL. Admission clinical and functional assessments for predicting inpatient fall risk using machine learning models. DIGITAL HEALTH. 2026;12. doi:10.1177/20552076261461638

BibTeX
@article{Lee2026,
  author = {Lee, Ya-Wen and Hsu, Ying-Lin and Lai, Shu-Mei and Lin, Chih-Hao and Lin, Chih-Ming and Xu, Jia-Lang},
  title = {Admission clinical and functional assessments for predicting inpatient fall risk using machine learning models},
  journal = {DIGITAL HEALTH},
  year = {2026},
  volume = {12},
  doi = {10.1177/20552076261461638}
}
Kostenlos starten →