使用可解释的机器学习探索老年人中的户外活动限制 (OAL) 因素
Lingjie Fan1, Junjie Zhang1, Fengyi Wang2
1College of Computer Science, Sichuan University, Chengdu, Sichuan, China.
Aging clinical and experimental research
|June 16, 2023
概括
机器学习模型通过分析多维衰老因素,准确地预测老年人户外活动限制 (OAL). 身体能力和神经性能等可逆因素是改善OAL的干预措施的关键目标.
科学领域:
- 老年学是一门学科.
- 医疗保健中的人工智能
- 公共卫生 公共卫生
背景情况:
- 老年人户外活动限制 (OAL) 是一个复杂的问题,受多种与衰老相关的因素的影响.
- 了解这些多维约束对于保持老龄化人口的功能独立至关重要.
研究的目的:
- 开发和评估可解释的机器学习 (ML) 模型,用于预测老年人OAL.
- 确定最重要的多维衰老因素和限制,有助于OAL.
主要方法:
- 利用来自国家健康和衰老趋势研究 (NHATS) 的6794名社区老年人 (≥65岁) 的数据.
- 在六个方面评估预测因素:社会人口统计学,健康,身体能力,神经功能,日常生活和环境.
- 应用多维可解释的机器学习技术用于模型构建和分析.
主要成果:
- 全面的多维ML模型实现了最高的预测性能 (AUC:0.918).
- 身体能力成为最强的预测因素 (AUC:0.895),其次是日常习惯和能力以及身体健康.
- 关键预测因素包括SPPB得分,举重能力,腿部力量,自我评价的健康状况,以及对跌倒的恐惧.
结论:
- 整合潜在的可逆因素,如神经性能和身体功能,可以提高OAL风险评估.
- 优先考虑针对高贡献,可修改因素的干预措施,可以有效地解决老年人OAL的问题.
- 机器学习模型为开发有针对性的,连续的干预措施以减轻OAL提供了有价值的见解.
