基于步态分析和眼睛跟踪的有效查模型,针对社区老年人的主观认知衰退

科学领域:

• 老年学和认知健康
• 生物医学工程和信号处理.
• 医疗保健中的机器学习

背景情况:

• 主观认知衰退 (SCD) 影响着老年人口的很大一部分.
• 早期和准确的SCD查对于及时干预和管理至关重要.
• 在社区环境中,传统的查方法可能缺乏客观性和敏感性.

研究的目的:

• 评估从步态分析和眼睛跟踪到查具有主观认知衰退的老年人多式特征的有效性.
• 将步态和眼睛跟踪指标的诊断准确性与传统的SCD9尺度进行比较.
• 开发和验证用于客观SCD检测的机器学习模型,使用这些新功能.

主要方法:

• 评估了412名认知正常的老年人 (≥65岁),其中182人被诊断为SCD.
• 参与者接受了步态分析 (单项和双项任务) 和眼睛跟踪评估 (各种范式).
• 使用XGBoost机器学习算法,使用步态和眼睛跟踪功能对SCD进行分类.

主要成果:

• 在SCD和非SCD组之间区分22个显著特征 (9步态,13眼睛跟踪) (p <0.05).
• 眼睛跟踪范式 (反,间隙,中位固定) 显示出高的区分效率 (AUC 0.911-0.891).
• 使用步态和特定眼睛跟踪特征的组合模型实现了最高的SCD查精度 (AUC = 0.969),超过了SCD9尺度 (AUC = 0.762).

结论:

• 综合步态分析和眼睛跟踪的多模式评估为检测主观认知衰退提供了客观而准确的方法.
• 这种新的方法表明,与传统查工具相比,它具有更高的歧视力.
• 开发的工具为社区早期识别老年人SCD提供了一个有希望的,客观和准确的选择.