基于机器学习的预测光生物调节对认知能力下降的老年人的影响,使用功能近红外光谱学

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 老年学是一门学科.

背景情况:

• 跨膜光生物调制 (tPBM) 显示出增强老年人的认知功能的前景.
• 对TPBM的治疗疗效在个体之间有很大差异,需要预测方法.
• 目前的方法缺乏预先确定患者对tPBM的反应的能力.

研究的目的:

• 开发和验证一种机器学习模型,用于预测对tPBM的个体反应.
• 使用功能近红外光谱 (fNIRS) 识别与tPBM治疗结果相关的神经成像生物标志物.
• 在认知衰退的老年人中区分对TPBM的响应者和不响应者.

主要方法:

• 功能近红外光谱 (fNIRS) 数据从62名老年人中收集,这些老年人在休息状态和认知任务 (RMT,Stroop,口语流) 中进行了收集.
• 参与者根据12周tPBM干预后全球认知分数 (GCS) 的变化被分为响应者或非响应者.
• 使用调节式支向量机器 (SVM) 预测tPBM响应,使用预处理fNIRS数据.

主要成果:

• 机器学习模型使用来自识别记忆任务 (RMT) 的fNIRS数据实现了最高的预测性能.
• 该模型的精度为0.8537,F1得分为0.8421,灵敏度为0.7619,特异性为0.95.
• 这项研究提供了使用治疗前神经成像数据预测TPBM治疗疗效的第一个证据.

结论:

• 对治疗前fNIRS数据的机器学习分析可以准确地预测老年人对tPBM的个体反应.
• 开发的方法在认知增强疗法中为个性化医学提供了潜在的工具.
• 这种预测能力可以优化治疗计划,避免无效的干预措施,改善患者的治疗结果.