XiaoMi-AI文件搜索系统
World File Search System跌倒
计算创伤性跌倒中脑白质和灰质损伤的严重程度
摘要：在现实世界中，创伤的严重程度是使用简略损伤量表 (AIS) 来衡量的。然而，目前无法使用有限元人机模型的输出来计算 AIS 量表，有限元人机模型目前依靠最大主应变 (MPS) 来捕捉严重和致命的伤害。为了克服这些限制，引入了一种独特的器官创伤模型 (OTM)，该模型能够计算所有 AIS 级别对大脑模型生命的威胁。OTM 使用一种名为峰值虚拟功率 (PVP) 的功率法，并将大脑白质和灰质创伤反应定义为撞击位置和撞击速度的函数。这项研究在损伤严重程度计算中考虑了衰老，包括软组织材料降解以及由于衰老导致的脑容量变化。此外，为了解释大脑模型的拉格朗日公式在表示出血方面的局限性，提出了一种包括硬膜下血肿影响的方法，并将其作为预测的一部分。 OTM 模型已针对两次真实跌倒进行了测试，并被证明能够正确预测死后结果。本文是一个概念验证，等待更多测试，可以支持法医研究。
艾气疗法用于平衡治疗和预防跌倒
穆尔西亚健康服务摘要背景：平衡障碍降低了人们的身体活动能力和日常生活活动的自主性，增加了跌倒的风险。爱气是一种水疗法技术，由于该技术的动作的特殊性，并且得益于水提供的物理原理，它被认为是改善平衡的有用工具。目的：评估爱气技术对老年人平衡能力的影响。方法：我们参考了 PubMed、Isi Web of Knowledge、OVID、EBSCOHost 和 Teseo 等信息源进行了系统评价。搜索策略中使用的术语是“ai chi”和“balance”，单独使用或与布尔运算符 AND 组合使用。此外，我们还对所选文章的参考书目进行了手动搜索。使用Jadad量表对科学证据水平进行定性分析。结果：删除重复文章并应用选择标准后，获得了八个结果。这些研究的方法学证据水平普遍较低。结论：采用爱气技术治疗可以改善练习者的平衡能力。此外，它还能对疼痛、生活质量和功能能力产生积极的治疗变化。关键词：爱驰、平衡、水疗和跌倒。
摘要“老年人跌倒预防计划的经济评估：系统评价”
实施预防跌倒干预措施的成本是公共卫生决策中的一个重要考虑因素。经济评估使用增量成本效益比 (ICER) 对实施干预措施相对于比较器的相对成本进行分析，增量成本效益比是增量成本（干预 A 的成本 - 干预 B 的成本）与增量效果（干预 A 的有效性 - 干预 B 的有效性）的比率。6 成本效益以低于或高于支付意愿阈值的 ICER 表示。在文献中，有两个常见的支付意愿阈值 - 50,000 美元和 100,000 美元。鉴于 50,000 美元的阈值作为下限自 1980 年代以来一直被使用，100,000 美元是更常用的阈值，可根据通货膨胀进行调整。7
深度学习基于计算机的活动识别和对老年人的跌倒检测：系统评价
随着发达国家的老年人比例在全球范围内持续上升，以满足其医疗保健需求，尤其是在维护自身方面，这是至关重要的。越来越多的研究集中在环境辅助生活（AAL）系统上，旨在减轻与老年人独立生活有关的担忧。本系统的审查研究了老年人的跌倒检测和人类活动识别（HAR）的文献，这是确保他们独自生活时确保其安全的两项关键任务。特定于此，本综述强调了对计算机视觉数据的深度学习方法（DL）方法，反映了该领域的当前趋势。全面搜索从2019年至2023年（包括）的五个不同来源产生了2,616件作品。从这个池中，选择了151件相关作品进行详细分析。评论仔细检查了使用的DL模型，数据集和硬件配置，特别强调了诸如隐私
使用遗传编程进行跌倒检测的脑电图小波分类
自主检测身体跌倒的能力是实现更好独立生活的众多支持技术之一。这项工作探索了如何利用遗传编程来开发机器学习管道，以通过 EEG 脑波活动对跌倒进行分类。11 种身体活动（5 种跌倒类型和 6 种非跌倒活动）被聚类为是否发生跌倒的二元分类问题。在探索机器学习模型并对其进行调整以获得更好的 k 倍分类准确度、精确度、召回率和 F1 分数之前，先从脑波中提取小波特征。结果表明，仅从 EEG 脑波数据中，通过遗传编程发现的解决方案就可以检测到跌倒，平均准确度为 89.34%，精确度为 0.883，召回率为 0.908，F1 分数为 0.895。所有三种遗传编程解决方案都选择了主成分分析的进一步步骤，以便从计算出的小波特征中提取额外的特征，每个步骤的迭代次数分别为 6、3 和 7，并且都采用随机奇异值分解方法。最终通过接收者操作特性和精确度-召回率曲线分析最佳模型。提供了每个遗传编程管道的 Python 代码。
案例研究：利用人工智能和机器视觉技术预防专业护理人员跌倒
VSTAlert 结合人工智能、机器视觉和物联网 (IoT) 设备，为专业护理机构创建全面的远程监控平台。物联网传感器安装在住院者的房间里，用于监控患者是否离开病床，并方便进行双向视频通话。当住院者试图起床时，会通过智能手机应用程序向分配到该房间的护士发送警报 - 适用于 iOS 和 Android 设备。离开病床后发送警报不够快。这就是为什么 VSTAlert 使用人工智能和 150 万小时的机器学习数据来识别与离开病床相关的肢体语言和动作，有效地预测意图，让您的员工有更多时间在患者跌倒之前处理离开病床的问题。警报还会发送到中央监控仪表板，在那里可以监控整个病房的状态。
案例研究：Larksfield Place 利用人工智能将跌倒受伤率降低 80%
实施 VSTAlert 后面临的挑战之一是培训新员工如何在所有部门使用该系统。护理部门有一位负责人参与了新员工的入职培训过程，但其他辅助部门，如饮食、家政和活动部门也需要接受培训。我们必须向他们展示系统的功能，并教会他们在进入和离开房间时如何以及何时暂停系统的重要性。这种教育是获得认同和保持合规性的关键。这也减少了发送给护理人员的错误警报数量，以最大限度地减少警报疲劳。部门之间需要进行大量沟通，以确保每个人都知道何时有新员工，并且需要安排培训。
药物评价和停用作为跌倒预防的单一干预措施：系统评价和荟萃分析
1 阿姆斯特丹 UMC 所在地 阿姆斯特丹大学内科、老年医学科、Meibergdreef 9、阿姆斯特丹、荷兰 2 阿姆斯特丹公共卫生研究所、阿姆斯特丹、荷兰 3 步态与大脑实验室、劳森研究健康研究所、帕克伍德医院、加拿大安大略省伦敦 4 西安大略大学流行病学与生物统计学系、加拿大安大略省伦敦 5 奥登斯大学医院老年医学系、丹麦奥登斯 6 南丹麦大学临床研究系老年医学研究组、丹麦奥登斯 7 研究支持、医学图书馆、阿姆斯特丹 UMC、阿姆斯特丹大学、Meibergdreef 9、1105AZ 阿姆斯特丹、荷兰 8 ODIN（奥登斯处方减少计划）、丹麦 9 诺丁汉大学医院 NHS 信托、英国诺丁汉 10 舒立克医学与牙科学院、加拿大安大略省伦敦 11加拿大安大略省伦敦西安大略大学 12 芬兰库奥皮奥东芬兰大学药学院 13 比利时根特大学内科和儿科系（老年医学科）
开发用于预测泰国社区老年人跌倒风险的简单筛查工具
目的：开发和检验三次坐立测试 (TTSST) 的心理测量特性，以评估其功能能力并预测社区老年人跌倒风险。材料和方法：使用 TTSST 和五次坐立测试 (FTSST) 对 36 名 60 岁以上、经历过跌倒或未跌倒的受试者进行功能能力测试。结果：数据显示出极好的可靠性 (ICCs = 0.943-0.991)，可以清楚地区分跌倒和非跌倒受试者的能力。此外，TTSST 与 FTSST 显示出显著相关性 (r = 0.942, p<0.001)，并且是一个极好的跌倒指标 (敏感性 88.89%，特异性 100%，AUC = 0.92，95% CI = 0.81-1.00)。结论：TTSST 是评估社区老年人跌倒风险因素的有效且可靠的方法。我们建议 TTSST 大于 4.54 秒作为可靠预测老年人跌倒风险的最佳临界值。
因跌倒相关伤害入院的患者中酒精和其他药物使用情况的流行率：系统评价
摘要 背景 酒精和其他药物 (AOD) 的使用是导致严重伤害的一个关键可预防风险因素。迄今为止的预防策略主要集中在运输伤害上，尽管 AOD 的使用是其他伤害原因（包括跌倒）的重要风险因素。本系统评价旨在报告因跌倒相关伤害到医院就诊的患者中使用 AOD 的流行率。方法 本系统评价包括 2010 年后以英文发表的研究，这些研究客观地测量了因跌倒相关伤害到医院就诊的患者中使用 AOD 的流行率。两名独立审阅者完成了筛选、数据提取和偏倚风险评估。数据以叙述综合和（如适用）荟萃分析的方式呈现。结果 共筛选了 12 707 条记录。检索了 2042 条记录的全文，其中纳入 29 条。四项研究报告了酒精和/或药物使用的综合流行率，得出的汇总流行率估计为 37%（95% CI 25% 至 49%）。 22 份记录仅报告了急性饮酒的流行率，9 份记录专门报告了除酒精以外的其他药物的流行率，流行率分别为 2% 至 57% 和 7% 至 46%。流行率估计值的差异可能是由于不同研究的毒理学测试方法不同所致。结论 AOD 暴露在住院跌倒相关伤害中很常见。然而，针对不同类型跌倒和使用除酒精以外的其他药物的流行率的研究有限。未来的研究应解决这些领域，以加深我们对 AOD 和伤害预防策略应针对哪些人群的理解。PROSPERO 注册号 CRD42020188746。