识别和预测中国老年人的身体限制和认知衰退轨迹组:数据驱动的机器学习分析

科学领域:

• 老年学是一门学科.
• 数据科学数据科学数据科学
• 公共卫生 公共卫生

背景情况:

• 促进活跃和健康的老龄化是一个关键的公共卫生挑战,特别是在中国这样的老龄化人口中.
• 了解身体和认知功能的轨迹对于有针对性的干预措施至关重要.
• 数据驱动的方法为复杂的衰老模式提供了新的见解.

研究的目的:

• 识别和预测中国老年人身体和认知功能的不同轨迹组.
• 确定影响这些轨迹促进活跃衰老的关键因素.
• 应用机器学习模型来准确预测功能衰退.

主要方法:

• 利用了3026名老年人的纵向数据,参与了中国纵向健康长寿和幸福家庭调查.
• 使用基于组的多轨迹模型 (GBMTM) 来识别函数轨迹组.
• 应用数据驱动的机器学习模型和动态名ogram用于预测,其性能由AUROC和PRAUC评估.

主要成果:

• 确定了两个轨迹组:一个正常功能组 (85.82%) 和一个身体限制和认知衰退 (14.18%) 的组.
• 后勤回归显示了强大的预测性能 (AUROC=0.881,PRAUC=0.649).
• 预测下降轨迹的因素包括日常生活得分的活动较低,年龄较大,家务较少,牙较少.

结论:

• 基于小组的多轨迹建模和机器学习有效地识别和预测老年人的身体和认知衰退轨迹.
• 确定预测因素对于开发有针对性的干预措施来促进健康和积极的衰老至关重要.
• 这些发现为中国的个性化老龄化策略提供了数据驱动的基础.