本研究では、ジョンズ・ホプキンス転倒リスク評価ツール（JHFRAT）と追加の臨床的に重要な指標との整合性を高めることを目指し、データ駆動型のモデリングアプローチを用いています。2022年3月から2023年10月までの間に、ジョンズ・ホプキンスヘルスシステムの3つの病院から54,209件の入院データを遡及的に分析しました。このうち、20,208件は高リスク、13,941件は低リスクとして分類されました。引用制約を考慮したスコア最適化（CSO）モデルを用いて、JHFRATの評価データと電子健康記録（EHR）変数を組み込み、予測性能が著しく向上することを確かめました（CSO AUC-ROC=0.91、JHFRAT AUC-ROC=0.86）。また、CSOモデルは、リスクラベリングの変動に対する堅牢性を示しています。このようなエビデンスに基づくアプローチは、データ駆動の最適化技術を活用し、入院患者の転倒防止プロトコルや患者の安全性をシステマティックに向上させるための基盤を提供します。