编辑推荐：
在养老机构中，跌倒问题给老年人健康和经济带来双重负担，现有风险筛查工具预测效果不佳。研究人员开发动态预测仪表盘，整合多源数据构建模型并嵌入推荐系统。结果显示其可实时评估风险并提供干预建议，为跌倒预防提供新工具。
随着全球人口老龄化加剧，老年群体的健康安全问题日益凸显，尤其是在养老护理机构（RACFs）中，跌倒已成为威胁老年人生命健康的重要隐患。数据显示，养老机构内老年人的跌倒风险是社区同龄人的 3 倍，且跌倒相关 injury 的发生率高达 10 倍之多。然而，传统的跌倒风险评估工具（FRATs）如 Peninsula Health Falls Risk Assessment Tool（PH-FRAT）存在明显局限性，不仅预测性能欠佳，且仅基于单点数据进行静态评估，无法动态反映用药变化、健康状态波动等实时风险因素。与此同时，养老机构中电子健康记录（EHR）系统的普及虽带来数据整合契机，但如何将多维度数据转化为可操作的临床决策支持工具，仍是亟待解决的难题。
为突破上述困境，澳大利亚麦考瑞大学（Macquarie University）的研究团队与新南威尔士州一家大型养老护理机构合作，开展了一项聚焦于跌倒风险动态预测与精准干预的研究。研究成果发表于《JMIR Aging》，旨在通过开发整合预测模型与决策支持功能的交互式仪表盘，实现对养老机构居民跌倒风险的实时监测与个性化干预，为提升养老机构安全管理水平提供技术支撑。
关键技术方法
研究采用 ** 用户中心设计（UCD）** 框架，通过两阶段迭代协作流程开发仪表盘：
- 数据整合与建模：收集 2021 年 1 月至 12 月期间 24 家养老机构的 3686 例居民数据，涵盖居民档案、每日用药、跌倒事件及风险评估记录。利用 R 语言构建动态跌倒风险预测模型，基于分层地标法（stratified landmarking）筛选 116 个变量，针对有无痴呆状态分别建模，纳入人口学特征、合并症（如脑血管意外、骨质疏松）、用药史（如抗精神病药物、跌倒风险增加药物 FRIDs）、跌倒史等多维因素。
- 仪表盘开发平台：以 Microsoft Power BI 为可视化工具，结合 R 编程实现数据清洗、模型嵌入与动态计算，构建包含组织级、机构级、居民级三层视图的交互式界面，支持数据下钻（drill-through）与实时更新。
- 决策支持系统：基于规则引擎（rule-based system）生成个性化干预建议，整合 PH-FRAT 评估结果、用药变化监测（如 FRIDs 使用波动）、跌倒地点与时间模式分析，提供环境改造、药物调整、活动监护等循证推荐。
研究结果
1. 仪表盘架构与功能
仪表盘采用四层架构设计：
- 数据来源层：对接养老机构多源异构数据系统，通过 SQL 脚本提取原始数据并存储于数据湖。
- 数据获取层：利用 Power Query M 语言与 R 编程实现数据清洗、标准化（如采用解剖治疗化学代码 ATC 编码药物）及星型模式（star schema）建模，以居民档案为事实表，关联用药、风险评估、跌倒事件等维度表。
- 后端计算层：通过数据分析师表达式（DAX）与 R 编程实现风险评分计算（每日更新）、指标生成（如跌倒率、重伤率）及统计可视化（如漏斗图、桑基图）。
- 前端展示层：包含五大视图：
- 组织级跌倒视图：展示全机构跌倒率、重伤率、住院率趋势，通过漏斗图对比各机构表现，识别高风险机构（如 Facility F 跌倒率超出 99% 控制上限）。
- 机构级跌倒视图：聚焦单一机构，显示居民风险分层（如 Stage 1-4）、合并症分布、强制性质量指标（如多重用药率、抗精神病药物使用率），支持每日风险变化追踪。
- 居民级跌倒视图：呈现个体风险评分、跌倒时间线、受伤部位词云图，联动用药详情视图展示 FRIDs 使用变化与多重用药指标。
- 用药详情视图：实时监控每日 FRIDs、抗焦虑药、镇静催眠药等药物调整，标注过敏史与合并症关联。
- 推荐面板：按 “居民内在因素 - 环境外在因素 - 其他” 分类提供干预建议，如针对痴呆患者的环境风险评估、FRIDs 用药审核等。
2. 动态预测模型性能
模型基于回顾性数据完成内部验证，通过 Collett 变量选择法确定核心预测因子，包括：
- 不可变因素：年龄、痴呆状态、脑血管意外史、视力障碍。
- 可变因素：每日 FRIDs 使用量、过去 6 个月跌倒次数、心理状态评分、活动能力等级。
模型每日更新风险预测，通过颜色编码（绿 - 红）与阶段划分（Stage 1-4）直观展示风险等级变化，例如某居民因近期 FRIDs 用药调整，风险从 Stage 3 升至 Stage 4，系统自动触发 “加强环境监护” 与 “药物复查” 建议。
3. 决策支持效能
仪表盘通过证据整合与动态交互提升临床决策效率：
- 嵌入 PH-FRAT 评估结果与随机对照试验（RCT）推荐，生成个性化干预方案，如针对多重用药患者建议 “优化药物清单，减少非必要 FRIDs”。
- 利用桑基图关联跌倒时间（如下午时段）与地点（如卧室），提示机构针对性调整护理排班与环境改造（如增加卧室照明、安装扶手）。
- 为管理者提供实时质量指标报告，如某机构通过仪表盘发现抗精神病药物使用率高达 18%，随即启动用药审核流程，3 个月内将该指标降至 12%。
研究结论与意义
本研究构建了首个针对养老机构居民的跌倒风险预测与干预一体化仪表盘，通过整合多源 EHR 数据、动态建模与可视化决策支持，突破了传统 FRATs 的静态评估局限。关键创新点包括：
- 技术整合：实现 R 编程与 Power BI 的深度集成，解决了养老机构数据系统碎片化问题，通过星型模式建模提升数据处理灵活性与可扩展性。
- 临床转化：将机器学习预测结果转化为可操作的干预建议，结合 “促进健康服务研究实施行动”（PARIHS）框架，通过多利益相关者（医护人员、管理者、人机交互专家）协同设计，确保工具贴合实际工作流程。
- 可持续性架构：通过数据湖与原始数据存储层设计，使仪表盘能够适应养老机构 IT 系统变更（如更换用药管理系统），避免因数据接口变动导致工具失效。
研究为养老机构提供了一种低成本、高兼容性的数字化管理工具，其推广应用有望降低跌倒相关健康负担与经济成本。未来研究将聚焦仪表盘的长期效果评估，探索其对住院率、护理成本等结局指标的影响，并扩展至其他老年健康管理领域（如伤口护理、慢性病监测）。该成果不仅为老年护理领域的技术创新提供了方法论参考，也为解决全球老龄化背景下的养老机构安全管理难题开辟了新路径。
