预测轻度认知障碍状态:基于健身追踪器的纵向数据的机器学习模型的试点研究
Qidi Xu1, Yejin Kim1, Karen Chung2
1McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston, Houston, TX, United States.
JMIR formative research
|July 18, 2024
概括
健身追踪器可以使用心率和睡眠数据预测轻度认知障碍 (MCI). 这种非侵入性数字生物标志物有助于早期发现阿尔茨海默病 (AD) 以及时治疗.
科学领域:
- 数字健康数字健康
- 生物标志物 生物标志物
- 神经退行性疾病的神经退行性疾病
背景情况:
- 早期发现阿尔茨海默病 (AD) 是一个挑战,延迟了诊断和治疗的有效性.
- 目前用于认知衰退的生物标志物是侵入性的,昂贵的,并且对预测轻度认知障碍 (MCI) 有限制.
研究的目的:
- 调查健身追踪器数据用于预测MCI状态的潜力.
- 使用可穿戴传感器数据开发用于早期AD检测的机器学习模型.
主要方法:
- 一项试点研究涉及20名参与者 (12名MCI,8名对照) 佩戴健身追踪器.
- 收集一个月的身体活动,心率和睡眠数据.
- 开发一个机器学习模型来分析数据和预测MCI.
主要成果:
- 机器学习模型在区分MCI患者和对照患者方面实现了完美的准确性 (AUC=1.0).
- 关键的预测特征包括心率区域,静止心率,深度睡眠持续时间和轻度活动水平.
结论:
- 来自健身追踪器的纵向数字生物标志物提供了一种具有成本效益的,非侵入性的方法来识别早期的MCI.
- 这种方法可以促进早期干预和AD临床试验的招生.
