Développement de modèles d’apprentissage automatique interprétables pour prédire les chutes chez les personnes âgées à l’aide de l’ensemble de données de la cohorte globale de l’ÉLCV

Les chutes sont la principale cause d’hospitalisation et de décès liés à des blessures chez les personnes âgées. À ce jour, des chercheurs de différentes disciplines ont étudié le pouvoir prédictif de chute de différents biomarqueurs/facteurs spécifiques à leurs domaines. Ces biomarqueurs/facteurs comprennent des mesures basées sur la performance (p. ex. le temps total pour effectuer un test de lever-marcher chronométré), la dépression et une mauvaise alimentation. Cependant, aucun de ces facteurs ne s’est révélé stable pour identifier les personnes âgées sujettes aux chutes dans les études. Cela peut être dû à des interactions complexes entre différents facteurs de risque ou de protection au niveau individuel, suggérant qu’un seul facteur ne peut toucher qu’une petite partie de l’ensemble des connaissances concernant ce problème. En incorporant des mesures multidomaines (p. ex. socio-économiques, génétiques) de l’ensemble de données de la cohorte globale de l’ÉLCV, ce projet vise à développer des modèles d’apprentissage automatique interprétables pour prédire le risque de chutes chez les personnes âgées afin d’orienter l’élaboration de stratégies d’intervention plus précises.