从eSAGE元数据中检测认知障碍,使用机器学习
Ryoma Kawakami1, Kathy D Wright2, Douglas W Scharre3
1Department of Computer Science and Engineering.
Alzheimer disease and associated disorders
|December 18, 2023
概括
机器学习增强了使用数字测试数据对认知障碍的预测. 来自eSAGE测试的行为特征,结合得分,显著改善轻度认知障碍和痴呆症的检测.
科学领域:
- 神经学 神经学
- 计算机科学 计算机科学
- 老年学是指老年学的学科.
背景情况:
- 轻度认知障碍 (MCI) 和痴呆症 (DM) 的诊断依赖于认知评估.
- 数字认知测试为增强数据收集和分析提供了机会.
- 机器学习 (ML) 为分析复杂的健康数据提供了一个强大的工具.
研究的目的:
- 研究机器学习方法对预测轻度认知障碍 (MCI) 和痴呆症 (DM) 的有用性.
- 利用数字自行管理的体质认知检查 (eSAGE) 的元数据来提高诊断准确性.
主要方法:
- 利用66名患者 (正常认知,MCI,DM) 的eSAGE分数和行为元数据 (例如,每页时间,绘图速度,冲动长度).
- 训练后勤回归 (LR) 和梯度增强模型来检测认知障碍 (CI).
- 使用十倍交叉验证和包括AUC,准确性,精度,回忆和F1分数在内的指标评估模型性能.
主要成果:
- 随着特征选择的逻辑回归,在使用行为数据和得分的情况下,CI检测的AUC达到89.51%.
- 从正常认知中检测MCI (84.00%) 和从正常认知中检测DM (98.12%) 的LR模型显示出高AUC.
- 平均中风长度成为一个关键的预测特征,将CI检测AUC提高到92.06%,当与其他评分特征相结合时.
结论:
- eSAGE评分和相关元数据是认知障碍的有价值预测指标.
- 将eSAGE得分与ML分析的元数据结合起来,可以更准确,更有效地检测CI.
