Bakgrund: I Sverige avlider, varje dag, cirka tre äldre människor till följd av en fallolycka. Cirka 17 000 äldre människor drabbas per år av höftfrakturer till följd av fallolyckor. Uppgifter från 2014 visar att fallolyckor hos äldre kostar samhället cirka 14 miljarder kronor per år. Syfte: Syftet med denna studie var att hitta fysiologiska och farmakologiska faktorer som predisponerar för falltendens och fallskador hos människor, ≥75 år. Metod: Denna studie baserades på journaldata som extraherats från den pågående studien: ”Betydelsen av bra D-vitaminstatus för äldres hälsa” och omfattar tre patientgrupper: 100 patienter som ramlat och fått fraktur, 96 strokepatienter, 148 friska kontroller med avseende på följande parametrar: andel patienter med: hypoglykemi, hypotoni, D-vitaminbrist, sänkt njurfunktion och antal läkemedel på ordination. Resultat: Denna studie visar att gruppen patienter med fraktur som har ramlat har högst andel med hypotoni, hypoglykemi, D-vitaminbrist och försämrad njurfunktion. I genomsnitt fick frakturpatienter 5,6 läkemedel/dag, strokepatienter 5,5 läkemedel/dag och kontrollgruppen 2,3 läkemedel/dag. Flertalet läkemedel hade biverkningar som kan kopplas till fall och fallskador. Slutsats: Studien visar att det var vanligare bland de som drabbats av färsk lågenergifraktur att ha predisponerande riskfaktorer för fall och därmed fallskador jämfört med strokegruppen och kontrollgruppen. Studier på läkemedel och dess biverkningar visade att flertalet läkemedel i denna studie kan kopplas till falltendens och fallskador. Flera av de läkemedel som studerades kan även påverka de olika parametrarna som undersökts i de olika studiegrupperna.

Perioperative hypotension (PH), commonly a side effect of anesthesia,is one of the main mortality causes during the 30 posterior days of asurgical procedure. Novel research lines propose combining machinelearning algorithms with the Arterial Blood Pressure (ABP) waveform tonotify healthcare professionals about the onset of a hypotensive event withtime advance and prevent its occurrence. Nevertheless, ABP waveformsare heterogeneous among patients, consequently, a general model maypresent different predictive capabilities per individual. This project aimsat improving the performance of an artificial neural network (ANN) topredict hypotension events with time advance by applying personalizedmachine learning techniques, like data grouping and domain adaptation. Wehypothesize its implementation will allow us to cluster patients with similardemographic and ABP discriminative characteristics and tailor the modelto each specific group, resulting in a worst overall but better individualperformance. Results present a slight but not clinical significant improvementwhen comparing AUROC values between the group-specific and the generalmodel. This suggests even though personalization could be a good approach todealing with patient heterogeneity, the clustering algorithm presented in thisthesis is not sufficient to make the ANN clinically feasible. / Perioperativ hypotoni (PH), vanligtvis en sidoeffekt av anestesi, är en av dehuvudsakliga dödsorsakerna under de första 30 dagarna efter ett kirurgiskt ingrepp. Nya forskningslinjer föreslår att kombinera maskininlärningsalgo-ritmer med vågformen av det arteriella blodtrycket (ABP) för att förvarna sjukvårdspersonalen om uppkomsten av en hypotensiv episod, and därmedförhindra förekomsten. ABP-vågformen är dock heterogen bland patienter,så en allmän modell kan ha olik prediktiv förmåga för olika individer.I det här projektet används personaliserade maskininlärningstekniker, somdatagruppering och domänanpassning, för att försöka förbättra ett artificielltneuralt nätverk (ANN) som förutspår hytotensiva episoder. Vår hypotes är attimplementeringen kommer låta oss klustra patienter med liknande demografioch ABP-karakteristik för att skräddarsy modellen till varje specifik grupp,vilket leder till en sämre övergripande men bättre individuell prestanda. Resultaten visar små men inte kliniskt signifikanta förbättringar när AUROC-värden jämförs mellan den gruppspecifika och den allmänna modellen. Detta tyder på att även fast personalisering kan vara en bra tillnärmning till patientersheterogenitet, är inte klusteralgoritmen som presenteras här tillräcklig förklinisk användning av ANN.