用于个性化跌倒风险预防的自适应多代理特征选择

# 个性化跌倒风险预防中的自适应多智能体特征选择  
来源：https://arxiv.org/html/2608.18450 \\jmlrpages  

Chang Liu  
邮箱：[chang\.liu@ucf\.edu](mailto:[email protected])  
所属机构：数据、数学与统计科学学院，中佛罗里达大学，佛罗里达州奥兰多，美国；护理学院，中佛罗里达大学，佛罗里达州奥兰多，美国；计算与增强智能学院，亚利桑那州立大学，亚利桑那州坦佩，美国；数据、数学与统计科学学院、护理学院，中佛罗里达大学，佛罗里达州奥兰多，美国  

Yanjie Fu  
邮箱：[Yanjie\.Fu@asu\.edu](mailto:[email protected])  
所属机构：  

Rui Xie†  
† 通讯作者  
邮箱：[Rui\.Xie@ucf\.edu](mailto:[email protected])  
所属机构：  

###### 摘要  
老年人跌倒是由多个风险领域复杂的、随时间变化的相互作用驱动的重大公共卫生挑战。有效的跌倒风险因素识别需要从异构的纵向数据中学习，同时考虑稀疏且延迟的跌倒相关结局事件。然而，现有方法在很大程度上是静态的，未能自适应地建模跨模态和随时间演变的、个性化的风险因素。我们提出了**PAFIR**（**P**ersonalized and **A**daptive **F**eature selection for fall risk **I**dentification and p**R**evention），一个用于跌倒风险识别和预防的个性化自适应特征选择框架，该框架将自适应特征选择表述为一个基于纵向多模态健康数据的强化学习问题。PAFIR 联合建模了相关评估变量间的结构依赖关系以及可穿戴设备衍生的身体活动数据中的时间动态，并使用从稀疏跌倒发生结果中得出的奖励信号，在重复的研究访问中学习自适应的选择策略。我们将 PAFIR 应用于 Physio fEedback Exercise pRogram（PEER）整群随机试验的数据。实验结果表明，与最先进的基线方法相比，PAFIR 更有效地捕捉了特征相关性的纵向和结构模式，并实现了动态的、针对个体的特征选择。通过随时间调整所选特征，PAFIR 支持更及时和个性化的跌倒预防策略。  

††proceedings:PMLR: Proceedings of Machine Learning Research  
††volume:340  
††year:2026  
††workshop:Machine Learning for Healthcare  
$\dagger$  
$\dagger$footnotetext:通讯作者。  

## 1 引言  
老年人跌倒预防仍是一项紧迫而复杂的公共卫生挑战。在美国，跌倒是 65 岁及以上成年人致命和非致命伤害的主要原因，每年导致超过 38,000 人死亡，并带来巨大的医疗成本 \(4 (https://arxiv.org/html/2608.18450#bib.bib4); 19 (https://arxiv.org/html/2608.18450#bib.bib27)\)。除了急性损伤，跌倒常常引发长期的功能衰退、独立性丧失和生活质量下降 \(54 (https://arxiv.org/html/2608.18450#bib.bib22)\)。随着人口老龄化和护理资源日益紧张，迫切需要及时、可扩展且个性化的策略来识别跌倒风险并在不良事件发生前进行干预。移动和智能健康技术的最新进展使得步态、活动、平衡和情境行为的持续监测成为可能，为早期跌倒风险检测创造了新的机会 \(56 (https://arxiv.org/html/2608.18450#bib.bib23); 22 (https://arxiv.org/html/2608.18450#bib.bib24); 50 (https://arxiv.org/html/2608.18450#bib.bib21)\)。然而，将这些异构、高维的数据源（包括连续传感器流、多时间尺度信号和基于结构化调查的测量值）转化为有效的预防措施仍然具有挑战性。  

![参考标题](此处原文为参考标题，译文保留原位置)  
图 1：PAFIR 框架概述。来自多个模态的异构纵向数据被整合以构建个体状态的层次化状态表示。该状态在临床访问中以及响应稀疏观察到的事件（即跌倒发生）时被迭代更新。然后，一个多智能体强化学习模块对演变的状态进行操作，在群体和个体两个层面执行自适应特征选择。所学习到的策略支持用于跌倒风险识别和预防的个性化及社区级建议。  

然而，一个关键见解是跌倒风险本质上是动态且高度个性化的，由客观的身体能力和主观的风险感知共同塑造。老年人可能低估其生理脆弱性，或者相反，尽管功能完好却因害怕跌倒而限制活动 \(15 (https://arxiv.org/html/2608.18450#bib.bib51); 12 (https://arxiv.org/html/2608.18450#bib.bib49); 10 (https://arxiv.org/html/2608.18450#bib.bib50); 42 (https://arxiv.org/html/2608.18450#bib.bib59)\)。这种“身体”（活动能力、平衡）与“心灵”（信心、认知和风险感知）之间的错位可能导致适应不良的行为、延迟的风险识别以及对预防性护理参与度的降低 \(26 (https://arxiv.org/html/2608.18450#bib.bib53); 80 (https://arxiv.org/html/2608.18450#bib.bib52); 46 (https://arxiv.org/html/2608.18450#bib.bib54)\)。这些复杂性使得有效的预防不仅是一个检测风险信号的问题，也是一个自适应确定*哪些*特征最具信息性以及*何时*对每个个体进行干预的问题 \(11 (https://arxiv.org/html/2608.18450#bib.bib25); 58 (https://arxiv.org/html/2608.18450#bib.bib26)\)。  

尽管许多个体跌倒风险因素已被研究，但生理、心理和行为因素如何相互作用以及随时间共同演变仍知之甚少。大多数现有方法孤立地建模这些因素，或假设跨访问的静态关系 \(23 (https://arxiv.org/html/2608.18450#bib.bib55); 87 (https://arxiv.org/html/2608.18450#bib.bib56); 70 (https://arxiv.org/html/2608.18450#bib.bib57)\)，这限制了它们捕捉身体能力、风险感知和行为之间动态纵向相互作用的能力。Physio fEedback Exercise pRogram（PEER）研究 \(71 (https://arxiv.org/html/2608.18450#bib.bib20)\) 是一项基于技术的干预措施，专门旨在解决这种错位，整合了实时生理反馈、认知重构和同伴主导的锻炼，以共同参与身体和心理跌倒风险领域。该研究提供了丰富的、跨越结构化调查评估、临床测量、跌倒发生情况和可穿戴传感器衍生时间序列数据的纵向多模态数据，如图 2 (https://arxiv.org/html/2608.18450#S1.F2) 所示，为数据驱动的跌倒风险识别和预防提供了全面的数据基础。  

![参考标题](此处原文为参考标题，译文保留原位置)  
图 2：跨访问（T1‑T4）的多模态纵向 PEER 数据集插图，包括（1）基于调查的跌倒风险评估，（2）捕捉身体活动的高频可穿戴时间序列数据，以及（3）仪器测量数据（如身体成分）。跌倒发生率（主要结局）被记录为稀疏的、带时间戳的事件。  

这一差距促使了能够整合多模态信号并自适应建模演变的风险因素相互作用的数据驱动方法，将个性化跌倒风险识别构建为一个跨越异构生理、行为和情境数据的自适应特征选择问题，如图 1 (https://arxiv.org/html/2608.18450#S1.F1) 中所提出的 PAFIR 框架概述所示。  

强化学习（RL）在医疗保健领域的新兴发展显示出自适应特征选择作为序列决策过程的巨大潜力，使模型能够根据观察和临床反馈更新特征相关性 \(90 (https://arxiv.org/html/2608.18450#bib.bib41); 32 (https://arxiv.org/html/2608.18450#bib.bib40)\)。尽管取得了这些进展，现有特征选择系统在部署于现实世界的医疗保健环境（特别是用于跌倒预防）时，仍然面临基本限制。跌倒风险因素识别的一个主要挑战来自于高度多样化数据源的整合，包括自我报告的调查问卷 \(60 (https://arxiv.org/html/2608.18450#bib.bib30)\)、身体成分测量 \(52 (https://arxiv.org/html/2608.18450#bib.bib33)\)、肌肉力量和平衡评估 \(47 (https://arxiv.org/html/2608.18450#bib.bib29)\)、通过可穿戴设备捕捉的日常身体活动 \(28 (https://arxiv.org/html/2608.18450#bib.bib31); 40 (https://arxiv.org/html/2608.18450#bib.bib58)\) 以及步态和姿势评估 \(39 (https://arxiv.org/html/2608.18450#bib.bib28)\)。大多数现有研究仅关注这些数据类型的一个子集或依赖于简化的融合策略 \(24 (https://arxiv.org/html/2608.18450#bib.bib34)\)，这限制了它们捕捉跨模态交互作用和演变风险模式的能力。  

此外，老年人活动和风险信号的动态性和异质性使得跌倒风险建模进一步复杂化。可穿戴传感器产生连续的、分钟级的身体活动数据 \(1 (https://arxiv.org/html/2608.18450#bib.bib46)\)，而跌倒结局是稀疏的、延迟的且不规则的 \(76 (https://arxiv.org/html/2608.18450#bib.bib47); 37 (https://arxiv.org/html/2608.18450#bib.bib45)\)，这使时间对齐和纵向分析变得复杂。活动能力、认知和心理状态的逐渐变化可能在较长时间内发展，而急性事件则可能引发风险的突然转变。然而，从稀疏的跌倒发生结局信号中学习仍然是一个主要挑战。例如，在 PEER 研究 \(71 (https://arxiv.org/html/2608.18450#bib.bib20)\) 中，跌倒事件本身就很罕见，在 1364 个访问级观察中仅观察到 69 个事件，并且许多参与者在整个试验期间未经历任何跌倒。当奖励仅基于跌倒是否发生的二元结果定义时，强化学习智能体仅在训练步骤的一小部分中获得信息性反馈 \(79 (https://arxiv.org/html/2608.18450#bib.bib81); 16 (https://arxiv.org/html/2608.18450#bib.bib82)\)，这对应于有限和延迟反馈的设置，其中信息性信号难以跨时间传播 \(81 (https://arxiv.org/html/2608.18450#bib.bib83)\)。  

跌倒风险研究采用了广泛的统计和机器学习方法来识别相关风险因素。边缘过滤和重要性排序方法通常分别评估变量，而多变量方法，包括 LASSO \(75 (https://arxiv.org/html/2608.18450#bib.bib77)\) 和 Group LASSO \(91 (https://arxiv.org/html/2608.18450#bib.bib78)\)，在稀疏约束下执行联合选择。成熟的纵向和生存分析方法也能处理重复测量和事件结局。例如，联合模型 \(78 (https://arxiv.org/html/2608.18450#bib.bib61); 17 (https://arxiv.org/html/2608.18450#bib.bib60); 9 (https://arxiv.org/html/2608.18450#bib.bib62)\) 将纵向生物标志物轨迹与时间‑事件结局联系起来，而 frailty 模型 \(27 (https://arxiv.org/html/2608.18450#bib.bib63)\) 则解释了未观察到的异质性。这些方法在主要目标是估计跌倒时间、协变量效应或在指定预测时间窗内跌倒概率时尤其合适 \(55 (https://arxiv.org/html/2608.18450#bib.bib84); 68 (https://arxiv.org/html/2608.18450#bib.bib64)\)。  

为了解决上述挑战，我们引入了 **PAFIR**（**P**ersonalized and **A**daptive **F**eature Selection for fall risk **I**dentification and p**R**evention）框架（图 1 (https://arxiv.org/html/2608.18450#S1.F1)），该框架将跌倒风险因素识别表述为一个基于纵向多模态健康数据的多智能体强化学习特征选择问题。PAFIR 在建模异构临床评估和高分辨率活动数据的同时，考虑了时间动态性和个体差异性。通过联合捕捉风险因素之间的结构关系及其随时间的变化，PAFIR 从纵向数据中学习自适应的特征相关性。一个由稀疏跌倒结果和代理跌倒风险评估指标引导的强化学习策略，能够实现个性化且群体感知的演变跌倒风险因素识别，以支持及时预防。  

#### 贡献概述  
- • **临床试验中跌倒风险特征选择的层次结构**：我们在一个拓扑感知的强化学习框架中嵌入了层次结构，以有效捕捉和表示特征之间的多级依赖关系，这对于跌倒风险筛查至关重要，因为风险因素在自然组织上就是分层的。例如，在“害怕跌倒”评估中，测量活动回避和平衡信心的问卷项目属于同一个更高级别的领域，但反映了对跌倒风险不同的行为和感知贡献者。  
- • **自适应比较驱动的特征选择机制**：我们提出了一种自适应比较驱动的特征选择机制，将选择过程分解为候选生成、基于参考的比较和迭代细化。该方法不是独立地评估特征，而是通过将候选特征组与参考组进行比较来评估其增量贡献，从而在复杂的医疗保健环境中实现更可靠的跌倒风险因素识别。  
- • **稀疏感知奖励设计与临床代理指标**：我们引入了一种稀疏感知的奖励设计，通过临床知情的代理结局（即 FES‑I 和 BBS）来增强稀疏的跌倒事件信号，使 PAFIR 框架能够捕捉更广泛的跌倒风险模式并提高特征选择的鲁棒性。  

#### 关于医疗保健背景下机器学习的可泛化见解  
所提出的框架可以推广到需要从异构和多模态数据（包括结构化临床评估、行为测量和高频传感器信号）中识别临床相关风险因素的场景。这类场景在医疗保健中很常见，因为患者信息通过不同的模态和尺度收集，而有效的建模需要整合这些来源同时保留其结构关系。此外，该方法适用于离散和连续结局，从二元事件（例如，疾病发生或不良事件）到连续测量（例如，功能衰退或生理指标），从而为跨不同临床环境的特征相关性建模提供了一个统一且灵活的框架。  

此外，该框架自然地扩展到序贯决策场景，其中特征相关性随时间演变并依赖于先前的观察和选择。这在纵向医疗数据中尤为重要，因为风险因素可能逐渐或突然变化，需要自适应建模来捕捉时间演变的模式。最后，使用信息性反馈机制（例如，纳入代理或辅助信号）可以在结局稀疏或延迟的场景中实现有效的学习。这种情况在医疗保健应用中普遍存在，因为具有临床意义的事件通常很稀少，而利用额外信号可以提高稳定性并引导学习走向有意义的轨迹。  

综上所述，这些见解表明，整合多模态数据、支持多样化的结局类型以及启用自适应序贯学习是开发可泛化的医疗保健机器学习方法的关键。  

## 2 相关工作  
跌倒风险评估传统上依赖于临床可解释的筛查和功能性测量，包括定时起立行走测试……