背景：

如何正确识别老年人存在的反复跌倒的风险是复杂而又困难的。为此，我们研究的主要目的是研究三个人工神经网络即MLP、调整后的MLP、NEAT，利用一系列与社区老年人跌倒因素相符合的临床特征，测试它们区分经常跌倒与不经常跌倒老年人的有效性（人工神经网络，简写为ANNs，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力）。

研究方式：

我们使用的是横断面设计，招募了来自3289个生活在不同的小区平均年龄在65岁及以上的志愿者。分析指标有年龄、性别、体重指数(BMI)、服用药物的数量、精神药物的使用,体内二膦酸盐和钙含量、维生素D补充剂的使用、是否需要助行器、是否担心摔倒、远视力评分、定时起立-行走得分、下肢本体感受、握力强度、有无抑郁症状和认知障碍及有无跌倒史。依据志愿者在过去一年内有无跌倒及跌倒次数将他们分为两个组：跌倒不超过1次组和跌倒超过一次组。不仅如此，所有的志愿者都分开接受ANNs测试和对照测试。

结果：

在3289名志愿者中，有622名是反复跌倒的（占18.9%），相比MLP和调整后的MLP而言，NEAT利用15种临床特征进行分析更有效果，例如，需要助行器、担心摔倒心态、钙物质摄入量、有抑郁症状、使用维生素D补充剂、女性、认知障碍、BMI <21kg/m2,日常服用药物超过4种、视觉评分低于8分、服用精神药物、下肢肢体感觉得分不超过5分、TUG时间超过9秒、握力得分不超过29牛、年龄大于等于75岁），这一工具显示出鉴别经常跌倒老年人的有效性、敏感性（80.42%）、特异性（92.54%）、阳性预测价值（即易跌倒）为84.38、阴性预测价值（即不易跌倒）为90.34、准确性为88.39、 Cohen κ检验效应为0.74。

结论：

结果表明，使用15种临床特征的NEAT人工神经网络对鉴别反复跌倒的社区老年人更加有效。