基于机器学习的个性化综合评分剖析了老年参与者的认知和运动功能的风险和保护因素
Ann-Kathrin Schalkamp1, Stefanie Lerche2,3, Isabel Wurster2,3
1Department of Psychological Medicine and Clinical Neuroscience, UK Dementia Research Institute, Cardiff University, Cardiff, United Kingdom.
Frontiers in aging neuroscience
|October 30, 2024
概括
这项研究开发了一种机器学习模型,使用复合分数来预测健康衰老. 身体炼被确定为维持认知和运动能力的关键可修改因素.
科学领域:
- 老年学是指老年学的学科.
- 计算神经科学是一种神经科学.
- 生物统计学 生物统计学
背景情况:
- 老龄化导致感官,认知和运动功能下降,增加神经退行性疾病的风险.
- 这些下降影响生活质量,并给社会和医疗保健带来重大负担.
- 确定健康衰老的可修改因素至关重要,但大规模的多模式研究是有限的.
研究的目的:
- 开发一种机器学习模型,使用单个复合分数预测多个认知和运动结果.
- 从多模式数据中识别健康衰老的个性化风险和保护因素.
- 与传统方法相比,评估复合分数模型的有效性.
主要方法:
- 利用机器学习模型从复合分数中预测认知和运动结果.
- 从TREND队列的多模式数据 (遗传,生物流体,临床,人口统计,生活方式) 来得出复合得分.
- 采用低参数建模方法进行解释性和因素识别.
主要成果:
- 复合得分模型实现了预测准确度,与传统回归模型相美.
- 该模型成功地确定了影响认知和运动能力的全球因素.
- 身体炼被认为是健康衰老的重要,可修改的保护因素.
结论:
- 提出的低参数建模方法有效地识别健康衰老因素,并提供可解释的复合得分.
- 这种方法可以对认知和运动结果进行个性化预测.
- 建议在不同的队列中进一步验证这种建模方法.
