Modelo de predicción de riesgo basado en aprendizaje automático para la disfunción cognitiva en personas mayores

Área de la Ciencia:

• Gerontología
• Informática Médica
• Biología Computacional

Sus antecedentes:

• La globalización ha aumentado la prevalencia de la disfunción cognitiva en personas mayores.
• La intervención temprana para el deterioro cognitivo reduce la carga de la enfermedad y los costos.
• Se necesitan herramientas precisas de evaluación de riesgos para una intervención oportuna.

Objetivo del estudio:

• Desarrollar un modelo de predicción de riesgo basado en aprendizaje automático (ML) para la disfunción cognitiva en personas mayores.
• Identificar los predictores clave del deterioro cognitivo utilizando algoritmos de ML.
• Proporcionar una herramienta para que los profesionales de la salud y los pacientes realicen una evaluación de riesgos eficaz.

Principales métodos:

• 1.325 participantes de edad avanzada se sometieron a evaluaciones cognitivas y análisis de sangre.
• Los factores de riesgo se identificaron mediante análisis univariante, regresión logística, algoritmos LASSO y Boruta.
• Se construyeron y evaluaron nueve modelos de ML, y se utilizó SHAP para la interpretación.

Principales resultados:

• El modelo de Random Forest (RF) logró el mayor rendimiento predictivo (AUC).
• Los predictores clave identificados por el análisis SHAP incluyen la edad, la raza, la educación, la diabetes y la depresión.
• La calibración del modelo y las curvas de decisión confirmaron una fuerte precisión predictiva y utilidad clínica.

Conclusiones:

• La edad, la raza, la educación, la diabetes y la depresión son factores de riesgo significativos para la disfunción cognitiva.
• El modelo de Random Forest demostró una capacidad predictiva superior entre los algoritmos de ML evaluados.
• El modelo desarrollado ofrece una herramienta prometedora para la identificación y el manejo tempranos de la disfunción cognitiva.