开发和验证可解释的机器学习模型 - - 预测高风险中风人口中轻度认知障碍

科学领域:

• 神经学 神经学
• 老年学是一门学科.
• 生物统计学 生物统计学

背景情况:

• 轻度认知障碍 (MCI) 是阿尔茨海默病 (AD) 的临床前阶段,显著增加痴呆风险.
• 脑卒中是MCI的一个公认的风险因素,需要在风险人群中进行早期识别和干预.
• 了解中风幸存者的MCI风险因素对于有效的预防策略至关重要.

研究的目的:

• 为了确定患有中风病史的人群中MCI发展的关键风险因素.
• 开发和验证机器学习模型来预测MCI风险在这个高风险群体.
• 创建一个可访问的在线工具来评估MCI风险.

主要方法:

• 波鲁塔算法用于从患者数据中进行强大的特征选择.
• 训练了八种不同的机器学习模型,并对预测准确性进行了评估.
• 使用表现最好的模型来确定变量重要性并构建风险计算器,并对模型可解释性进行Shapley附加解释.

主要成果:

• 在预测MCI方面,物流回归实现了最高的AUC (0.8595),其次是弹性网络 (0.8312).
• 确定的主要预测因素包括过渡性缺血性攻击 (TIA),糖尿病,教育水平和高血压.
• 变量重要性分析强调TIA,糖尿病,教育和高血压是中风患者中MCI最重要的危险因素.

结论:

• 过渡性缺血性攻击 (TIA),糖尿病,教育和高血压是中风幸存者中MCI的关键风险因素.
• 建议以重点关注这些因素的早期和有针对性的干预措施来缓解MCI发病率.
• 这项研究为高风险中风患者群体的积极预防MCI提供了基础.