多重线性回归和机器学习方法在中国老年2型糖尿病患者的认知功能预测中的比较

科学领域:

• 老年学是一门学科.
• 神经科学是一个神经科学.
• 内分泌学 在内分泌学.

背景情况:

• 2型糖尿病 (T2D) 的患病率正在上升,越来越多的证据将其与痴呆症联系起来.
• 传统的回归模型与T2D和认知衰退之间的复杂,非线性关系作斗争.
• 机器学习 (Mach-L) 为这些复杂的关联提供了先进的分析能力.

研究的目的:

• 将马赫-L的预测准确度与传统的多重线性回归 (MLR) 对T2D患者的认知功能进行比较.
• 在较老的T2D队列中识别和排名与认知功能受损相关的最重要的风险因素.
• 评估四个马赫-L算法的性能:随机森林 (RF),随机梯度增强 (SGB),天真贝尔分类器 (NB) 和极端梯度增强 (XGBoost).

主要方法:

• 招募了197名老年T2D患者 (年龄在60-95岁),没有主要的并发症.
• 通过蒙特利尔认知评估 (Montreal Cognitive Assessment) 利用人口和生化数据作为认知功能评估 (CFA) 的独立变量.
• 应用了MLR,RF,SGB,NB和XGBoost模型来分析关系和预测认知功能.

主要成果:

• 与MLR相比,所有Mach-L方法在预测CFA得分方面都表现出更高的准确性.
• XGBoost实现了最小的对称平均绝对百分比误差 (0.2139),明显优于其他模型.
• 认知障碍的关键危险因素是教育水平,年龄,虚弱得分,禁食血葡萄糖和体重指数.

结论:

• 先进的马赫-L算法 (RF,SGB,NB,XGBoost) 在预测老年T2D患者的认知功能方面比MLR更准确.
• 教育水平,年龄,虚弱,禁食血葡萄糖和BMI是这一群体认知能力下降的关键风险因素.
• 研究结果强调了Mach-L在理解和管理T2D认知健康方面的潜力.