Identification des dégradations des facteurs de risque de chute à partir de mesures de la qualité de l'équilibre postural

Falls concern a third of the people aged over 65y and lead to the loss of functional ability. The detection of risks factors of falls is essential for early intervention. Six intrinsic risk factors of fall: vision, vestibular system, joint range of motion, leg muscle strength, joint proprioception and foot cutaneous proprioception were assessed with clinical tests before and after temporarily degradation. Standing balance was recorded on a force plate.From the force plate, 198 parameters of the centre of pressure displacement were computed. The parameters were used as variables to build neural network and logistic regression model for discriminating conditions. Feature selection analysis was performed to reduce the number of variables.Several models were built including 3 to 10 conditions. Models with 5 or less conditions appeared acceptable but better performance was found with models including 3 conditions. The best accuracy was 92% for a model including ankle range of motion, fatigue and vision contrast conditions. Qualities of balance parameters were able to diagnose impairments. However, the efficient models included only a few conditions. Models with more conditions could be built but would require a larger number of cases to reach high accuracy. The study showed that a neural network or a logistic model could be used for the diagnosis of balance impairments. Such a tool could seriously improve the prevention and rehabilitation practiceLes chutes touchent un tiers des personnes âgées de 65 ans et plus et conduit à une perte de mobilité. La détection des risques facteurs de chutes est essentielle pour une intervention précoce.Six facteurs intrinsèques de chute : vision, système vestibulaire, amplitude articulaire, force musculaire, proprioception articulaire et plantaire ont été évalué par des tests cliniques avant et après une dégradation temporaire. L’équilibre a été évalué sur une plateforme de force pour le calcul de 198 paramètres.Les paramètres ont été utilisés comme variables pour la construction de modèle de réseaux de neurones et de régression logistique avec pour objectif de diagnostiquer les détériorations des facteurs testés. Les paramètres pertinents ont été sélectionnés pour être inclus aux modèles. Des modèles comprenant entre 3 et 10 conditions ont été développé, néanmoins seuls les modèles de 5 conditions et moins se sont révélés efficaces. La précision a réussi à atteindre 92% pour le modèle incluant l’amplitude de la cheville, la fatigue et la vision des contrastes.Les mesures de qualité d’équilibre ont permis de détecter des détériorations des facteurs intrinsèques testés. Cependant, ces modèles ne sont efficaces qu’avec peu de conditions. Pour construire un modèle performant avec plusieurs conditions il est nécessaire d’inclure plus de participants lors de la construction du modèle. Un outil de la sorte est intéressant pour la mise en place de programmes de prévention et de rééducatio