FRELSA:老年人脆弱性的数据集来自ELSA,并通过机器学习模型进行评估

科学领域:

• 老年学是指老年学的学科.
• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习

背景情况:

• 虚弱是一种常见的与年龄有关的综合征,与健康状况不佳和医疗保健需求增加有关.
• 早期发现和预测脆弱性对于及时干预和改善健康衰老至关重要.
• 机器学习 (ML) 为开发支持脆弱性评估的工具提供了潜力.

研究的目的:

• 创建一个全面的数据集,用于基于ML的脆弱性研究,使用弗里德的脆弱性表型.
• 开发和评估用于检测和预测脆弱性的ML模型.
• 为未来在脆弱性预测方面的进步建立基准.

主要方法:

• 利用来自英国长度老化研究 (ELSA) 的数据来定义脆弱标签.
• 使用当代数据训练了七个ML模型用于脆弱性检测.
• 通过结合历史数据和使用MultiSURF进行特征选择,开发了24个月的预测模型.

主要成果:

• 创建了一个新的,公开可访问的脆弱数据集,包括5303个受试者和超过6500个特征.
• 数据集是平衡的,适合用于二进制或多类分类和预测任务.
• 线性回归模型在检测和预测方面表现最好 (F-score和AUROC).

结论:

• 大型,注释的脆弱性数据集对于推进基于ML的预测技术至关重要.
• 开发的数据集是培训和测试ML模型用于脆弱性检测和预测的宝贵资源.
• 未来的研究应该专注于增强模型架构,性能,可解释性和数据集丰富性.