フレイルのコグニティブ・モーターデュアルタスク歩行における機械学習モデルを用いた同定の可能性

科学分野:

• 老年医学
• 生物医学工学
• データサイエンス

背景:

• 早期のフレイル診断は、高齢者の生活の質にとって不可欠です。
• 現在の手動によるフレイル評価は時間がかかり、困難です。
• 客観的で効率的なフレイルスクリーニングツールの開発が優先事項です。

研究 の 目的:

• フレイル診断における歩行パラメータの有用性を調査すること。
• フレイル分類のための機械学習モデルを開発・評価すること。
• 歩行パラメータとコグニティブフレイルとの関係を探求すること。

主な方法:

• 220人の参加者から歩行データ（シングルタスクおよびデュアルタスク）とTUGTを収集しました。
• 機械学習を利用して、歩行特徴量を用いたフレイル診断モデルを構築しました。
• 修正フレイル指数-11（mFI-11）と認知機能を用いてフレイルを評価しました。

主要な成果:

• SVM-線形カーネルモデルは、フレイル分類において64.09%の精度と64.38%のF1スコアを達成しました。
• Timed Up-and-Go Test（TUGT）は、コグニティブフレイルの有意な予測因子でした（AUC = 0.8293）。
• 本研究では、歩行パラメータとコグニティブフレイルとの相関関係を特定しました。

結論:

• デュアルタスク歩行パラメータを統合した機械学習モデルは、フレイル診断の可能性を示しています。
• このアプローチは、地域スクリーニングやフレイルに対する臨床サポートに役立つ可能性があります。
• 歩行パラメータ、特にTUGTは、コグニティブフレイルと強く関連しています。