步態能預測跌倒嗎？從感測研究到醫師與治療師可執行的防跌計畫

先分清三種不同任務

跌倒偵測回答「是否已發生跌倒」，撞擊前偵測辨識正在發生的失衡；跌倒風險預測則估計未來數月的事件。手錶能在跌倒後發出通知，不代表它已能提前辨認會跌倒的人。評估研究時，必須先確認終點、預測期間與資料來自真實生活或模擬跌倒。[5]

步速、步時變異、左右對稱及轉彎能描述行走限制，但跌倒也受姿勢性低血壓、藥物、視力、認知與環境影響。門診第一步應詢問過去一年跌倒次數、受傷、是否失去意識，以及跌倒後能否自行起身，再安排步態和平衡量測。[1,2]

Weiss等人納入71名社區長者，以腰部加速度計記錄三天活動，並追蹤六個月跌倒。部分日常步態特徵可補充臨床測試；然而樣本小，研究也包含依既往跌倒史分組的比較，不能視為可直接部署的普遍預測模型。[3]

2026年穿戴裝置統合分析納入20項研究，合併敏感度0.55、特異度0.89，SROC AUC為0.85。AUC看似良好，仍可能漏掉相當比例的後續跌倒者；不同族群、感測位置及追蹤方法也限制數值移植。陰性結果不能用來取消必要的防跌介入。[4]

另一篇2026年縱向機器學習回顧納入28項研究，只有一個模型接受外部驗證，全部模型被評為高偏差風險；其中十個內部驗證模型的合併AUC為0.79，且異質性極高。這些模型還包含病史及生活功能等輸入，不是單靠步態的效能。院所選購工具時應要求獨立場域驗證與校準資料，而非只看最高準確率。[5]

2022世界防跌指南在其分流流程中建議參考步速低於0.8公尺／秒；TUG超過15秒可作替代，但預測證據較不一致。這些條件須與跌倒史及整體評估一起使用，不是所有疾病與照護場域的通用門檻。[1]

2025年NICE NG249更明確反對用跌倒風險預測工具預報個人跌倒，支持以病史找出需進一步評估者。步速與TUG仍有助觀察缺損、設定治療目標；不能因分數正常就停止追查暈厥、藥物或環境因素。兩份指南的分流立場不同，臨床價值共同落在可處理的風險因子。[2]

Cochrane回顧納入108項試驗、23,407人；其中59項試驗的統合結果顯示，運動介入使社區長者跌倒發生率相對下降23%。這是每人時間內跌倒事件率的下降，不是每位參與者至少跌倒一次的風險都下降23%，也不是步態檢測設備的療效。此統合結果不能直接外推至特定神經疾病族群。[6]

物理治療師可依缺損設計漸進平衡、功能與肌力訓練，醫師評估藥物、姿勢性低血壓及相關疾病；必要時結合職能治療的居家環境處理。已有反覆跌倒、受傷或疑似意識喪失者，應進入完整評估，不必等待穿戴裝置先判為高風險。[1,2]

新加坡衛生部2026年國會答覆指出，Steady Lah與CALM等計畫過去五年累計逾25,000人次參與，目標在2026年底前再觸及10,000名長者。官方所列成效主要是肌力、步速等功能改善，不能直接改寫為已證實降低同幅度跌倒率；該答覆亦未提供步態AI專項預算。[7]

台灣國健署以ICOPE「長者量六力」整合認知、行動、營養、聽力、視力與憂鬱評估，並提供轉介資訊與社區資源地圖。這可作服務入口，不能取代專業防跌評估，也不是特定裝置獲得給付或驗證的證明。[8]

院所可依上述證據建立執行框架：初診記錄跌倒史、步速與轉彎，安排相關檢查及個別介入；追蹤固定測試條件，同時記錄跌倒與受傷事件、參與率及生活活動。若試用AI，另追蹤誤報、漏報與資料缺失，先驗證在地表現，再決定服務擴大。這是本文提出的落地建議，不是官方指定流程。[1,2,5]

研究與政策資料核對至2026年11月9日。本文為近20年相關證據的敘述性整理，並非系統性回顧或新臨床指引。三張插圖為原創AI概念示意，非患者資料或研究原圖；文中的執行建議應配合個案與在地服務條件。