走路的预测能力和走路相关的认知测量在缓和认知障碍:一个机器学习分析分析
Cosimo Tuena1, Chiara Pupillo1, Chiara Stramba-Badiale1
1Applied Technology for Neuro-Psychology Lab, IRCCS Istituto Auxologico Italiano, Milan, Italy.
Frontiers in human neuroscience
|February 13, 2024
概括
机器学习模型可以通过分析步态和认知测试数据来预测轻度认知障碍患者的阿尔茨海默病 (AD) 痴呆症. 这有助于早期风险识别和二次预防策略.
科学领域:
- 神经科学是一个神经科学.
- 老年学是指老年学的学科.
- 生物医学工程 生物医学工程
背景情况:
- 步行障碍和特定的认知测试与未来的阿尔茨海默氏症 (AD) 痴呆症有关,这种痴呆症在amnestic轻度认知障碍 (aMCI) 中存在.
- 预测aMCI转化为AD对于早期干预和二次预防至关重要.
- 机器学习 (ML) 提供了一种有前途的方法来分析复杂的数据,用于预测建模.
研究的目的:
- 评估行走障碍和与行走相关的神经心理测试的预测能力,以用于未来的AD诊断在aMCI使用ML.
- 开发和验证一种ML模型,用于在36个月内识别高风险发展为AD痴呆症的aMCI个体.
主要方法:
- 分析了253个aMCI个体 (稳定和转换者) 的队列.
- 探索了四个预测因素:步态概况,迷你心理状态检查 (MMSE),数字符号替换测试 (DSST) 和步道制作测试B部分 (TMT-B).
- 监督的ML算法 (SVM,物流回归,k-NN) 在70%的数据上进行训练,对表现最好的模型进行特征重要性评估.
主要成果:
- 支持矢量机 (SVM) 算法表现出最佳性能,在训练组中达到0.67准确度,在测试组中达到0.70准确度.
- 该模型在测试组件上获得了0.79的灵敏度和0.52的特异性.
- 功能重要性分析强调MMSE是最关键的预测因素,步态类型在测试阶段也很重要.
结论:
- 成功开发了一种预测性ML模型,在36个月内识别高风险患AD痴呆症的aMCI个人.
- 这种模型可以促进早期识别高风险个体的二次预防策略,如认知和体育训练.
- 这些发现强调了在AD进展的背景下,身体 (步态) 和认知功能之间的显著相互作用.
