在中国的老年人中进行社区痴呆查:基于机器学习的战略

科学领域:

• 老年学是一门学科.
• 医疗信息学 医疗信息学
• 神经学 神经学

背景情况:

• 痴呆症是一个重大的全球健康挑战,特别是在65岁以上的人群中.
• 早期诊断痴呆仍然很困难,阻碍了及时干预.
• 这项研究解决了对认知障碍 (CI) 改进诊断工具的需求.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于诊断老年人认知障碍 (CI).
• 通过将特定的AD8尺度问题与全面的健康数据相结合,提高诊断准确性.
• 将ML模型的性能与CI检测的传统AD8尺度进行比较.

主要方法:

• 利用了深健康衰老研究 (SHARE) 项目的数据,其中包括823名65岁以上的参与者.
• 采用特征选择技术 (变量重要性) 来识别关键预测变量.
• 应用并比较五种ML模型 (SVM,MLP,AdaBoost,GBDT,LR) 进行CI预测,使用AD8评分≥2作为基线.
• 使用SHapley添加式扩展 (SHAP) 值解释ML模型结果.

主要成果:

• 选择的预测特征包括AD8项目1和6,血小板,腰围,BMI,CEA,年龄,血清尿酸,WBC,心电图异常,心率和性别.
• 多层感知器 (MLP) 模型实现了0.83±0.04的最高曲线下面积 (AUC),超过了0.65.5的基线AUC.
• 与传统的AD8尺度相比,ML模型显示出更高的精度,灵敏度和特异性.
• 在MLP模型中,SHAP分析确定了女性性别,年龄较大和腰围较低作为CI的关键预测因素.

结论:

• 机器学习模型,特别是MLP,与标准AD8尺度相比,对CI的诊断效率大大提高.
• 这些发现表明,有可能加强基于社区的痴呆症查.
• 该研究主张采用ML驱动的查来优化医疗保健中的资源配置.