異なる高齢者の記憶能力に対する生活曝露因子の重要性をモデル化:機械学習アプローチ

科学分野:

• 神経科学
• ゲロントロジー
• 公衆衛生

背景:

• 認知機能の低下と認知症のリスクに大きな影響を与える.
• 認知機能低下の初期指標であるエピソード記憶に対するLEFの相対的な重要性については,さまざまな高齢者集団では不明である.

研究 の 目的:

• 機械学習を利用して,エピソード記憶の性能に関する様々なLEFの重要性をランク付けします.
• 多様な高齢者の認知健康への介入の 重要な変更可能な要因を特定する.

主な方法:

• XGBoostとShapleyの添加物解析 (SHAP) を採用し,カイザー健康老化と多様な生活経験 (KHANDLE) とアフリカ系アメリカ人の健康老化研究 (STAR) のコホートからのデータを分析した.
• 2245人の多様な高齢者 (平均年齢74歳) の神経心理学テストの成績とアンケートデータを評価した.
• 全サンプルにおけるエピソード記憶におけるLEFの重要性がランク付けされ,性別と民族によって層分かれています.

主要な成果:

• 年齢,性別,教育,ボランティア,収入,視力,聴力,睡眠 (質と持続時間),運動がエピソード記憶の重要な予測要因でした.
• これらの要因は,性別と民族による階層化を含め,さまざまな人口集団において重要であることが示された.
• 機械学習モデルは 暗黙的に変数の相互作用,非線形関係,欠落したデータを処理しました.

結論:

• 機械学習,特にSHAP値を持つXGBoostは,メモリパフォーマンスのための重要なLEFを特定するための革新的な方法を提供します.
• 発見は認知健康の重要な要因を強調し,標的型認知症リスク軽減介入の開発に情報を提供する.
• このアプローチは,健康的な認知老化を促すための個別化された介入と政策決定をサポートします.