编辑推荐：
下肢骨折（LLF）严重影响老年人健康，社会隔离和功能衰退评估困难。研究人员收集 MAISON-LLF 多模态传感器数据集，开发机器学习模型。结果显示该数据集可有效检测相关状况，为骨科和老年护理提供数据驱动方法，改善康复效果。
在人口老龄化的当下，老年人的健康问题备受关注，其中下肢骨折（Lower Limb Fractures，LLF）更是一个突出的难题。随着全球老龄化加剧，LLF 的发生率预计到 2050 年将大幅上升。老年人 LLF 恢复过程漫长，常伴有行动不便，严重影响日常生活和生活质量 。而且，术后并发症、肌肉力量下降、骨质疏松等问题也让恢复难上加难。更糟糕的是，骨折恢复期间，老年人极易陷入社会隔离状态，这种状态又与功能衰退相互影响，形成恶性循环，严重损害他们的身心健康。但目前，常规护理中往往缺乏对社会隔离和功能衰退的有效评估，这就像在黑暗中摸索，难以精准地为老年人提供合适的康复支持。
为了打破这一困境，来自加拿大多伦多康复研究所（1KITE Research Institute, Toronto Rehabilitation Institute, University Health Network）等机构的研究人员开展了一项极具意义的研究。他们收集了 MAISON-LLF 多模态传感器数据集，并开发和评估机器学习模型，以检测老年人的社会隔离和功能衰退状况。该研究成果发表在《Scientific Data》上，为老年 LLF 康复监测带来了新的曙光。
研究人员为了开展此项研究，运用了多种关键技术方法。首先，开发了多模态 AI 传感器平台（Multimodal AI-Based Sensor Platform for Older iNdividuals，MAISON），该平台整合了物联网和远程监测技术，可收集多种数据。其次，从 10 位老年人（均为 60 岁以上，经历过髋部、股骨或骨盆骨折手术等）身上收集数据，涵盖多模态传感器数据和临床问卷数据。最后，对收集的数据进行预处理、特征提取，并运用多种机器学习算法构建模型进行分析。
研究结果
- 数据集特征：MAISON-LLF 数据集包含从社区中独居的老年 LLF 术后患者收集的数据，具有多模态、连续纵向收集以及包含临床验证问卷数据等特点。数据收集持续 8 周，共获得 560 天的 24 小时传感器数据，还包含人口统计学信息和临床评估数据，如社会隔离量表（Social Isolation Scale，SIS）、牛津髋关节评分（Oxford Hip Score，OHS）等12。
- 技术验证 - 关键统计：通过对数据的分析，发现不同模态的传感器数据能捕获互补信息。例如，运动传感器追踪室内活动，GPS 追踪室外位置等。而且，部分数据显示多模态传感器数据与临床数据之间存在中度到高度的斯皮尔曼等级相关性，这表明多模态传感器数据在捕捉社会互动和身体健康结果方面具有潜力34。
- 技术验证 - 特征选择：研究运用递归特征消除（Recursive Feature Elimination，RFE）方法进行特征选择，以 SIS 和 OHS 为基础事实标签，发现所有数据模态的特征都被选入前 24 个重要特征中，体现了多传感器模态在精确评估健康结果方面的价值56。
- 技术验证 - 预测建模：在监督学习设置下训练机器学习模型，以预测 SIS 和 OHS。对于每日结果分配方法，CatBoost 在 5 折交叉验证（5-fold Cross Validation，5-fold CV）和留一法（Leave One Sample Out，LOSO）中表现最佳；对于每周和每两周结果分配方法，不同模型有不同表现。总体而言，每日结果分配方法在 SIS 检测中表现更优78。
研究结论与讨论
该研究成功收集了 MAISON-LLF 多模态传感器数据集，并通过技术验证表明其在监测老年 LLF 患者健康结果方面的可靠性。机器学习模型的开发和评估，为预测老年人社会隔离和功能衰退提供了有效的工具。这一研究成果意义重大，为骨科和老年护理提供了全面的数据驱动方法，有助于改善康复结果，提高患者生活质量。不过，研究也存在一定局限性，如样本量较小，数据收集范围局限于特定地区，模型训练中客观数据与主观问卷标签可能存在不匹配等问题。但随着研究的推进，增加样本量、扩大数据收集范围等措施有望进一步完善相关研究，为老年 LLF 患者带来更多福祉。
