在老年人中预测与酒精有关的记忆问题:一项具有多域特征的机器学习研究

科学领域:

• 神经科学是一个神经科学.
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 在有酒精使用障碍 (AUD) 史的老年人中,记忆问题很普遍.
• 识别酒精诱导的记忆障碍的预测因素对于早期干预至关重要.
• 之前的研究还没有全面整合多领域数据来进行这种分类.

研究的目的:

• 调查多域特征在分类有或没有酒精诱导记忆问题的个体中的实用性.
• 确定有助于老年人AUD记忆衰退的特定特征.
• 探索与酒精有关的记忆障碍的神经基础.

主要方法:

• 使用了机器学习框架,特别是随机森林模型.
• 94名患有酒精引起的记忆障碍的老年人 (50-81岁) 与匹配的对照组进行了比较.
• 多域特征包括静止状态大脑连接,AUD多基因风险评分,酒精消费史,健康后果和人格特征.

主要成果:

• 随机森林模型实现了高分类准确性 (AUC = 88.29%).
• 关键预测因素包括默认模式网络区域 (除前带皮质外) 的超连接性,AUD的多基因风险得分,过去的酒精消费和后果以及人格特征 (神经病,避免伤害).
• 默认模式网络和海马区域的超连接性表明,在有记忆问题的人中存在神经失调.

结论:

• 多域特征,包括历史的大脑连接,遗传学,生活方式和个性,对于预测晚年与酒精有关的记忆问题很重要.
• 这些发现突出了导致老年人患有AUD认知能力下降的因素的复杂相互作用.
• 这种方法为早期识别和潜在的预防策略提供了一个有希望的途径,用于酒精诱导的记忆障碍.