使用机器学习预测基于可穿戴的数字生理特征的认知得分:来自轻度认知障碍患者临床试验的数据

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数字健康数字健康

背景情况:

• 持续监测认知功能对于管理轻度认知障碍 (MCI) 至关重要.
• 标准化测试对于频繁的评估是不切实际的.
• 可穿戴式传感器为远程认知功能监控提供了一个有希望的途径.

研究的目的:

• 评估来自手腕穿戴可穿戴设备的数字生理特征对MCI患者神经心理测试成绩的预测能力.
• 探索使用传感器数据来追踪随时间推移的认知变化.

主要方法:

• 一项为期10周的临床试验,涉及30名患有MCI (50-70岁) 的个人,接受数字多领域干预.
• 在干预前后使用神经心理测试电池 (NTB) 评估认知表现.
• 通过Empatica E4可穿戴设备收集的生理数据 (血液体积脉冲,皮电活动,皮肤温度);提取了106个特征.
• 被监督的机器学习模型被训练来预测NTB得分,使用生理特征和人口统计数据.

主要成果:

• 对来自17个人的96个数据间隔的分析显示,生理特征和认知得分之间存在很强的相关性.
• 心率变化 (HRV) 与执行功能的相关性最强.
• 该模型实现了 r=0.69 的相关性,用于预测实际的执行功能得分,以及 r=0.61 的相关性,用于预测个体内变化.

结论:

• 基于可穿戴的生理测量,特别是HRV,显示出在MCI中持续认知功能评估的巨大潜力.
• 这项技术可以促进更个性化,更灵敏的治疗干预.
• 未来的研究应该进一步验证这些发现在更大,多样化的群体.