使用机器学习模型预测记忆衰退风险:一个横截面研究

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 记忆力下降是神经退行性疾病的早期指标,如阿尔茨海默病 (AD).
• 预测和识别记忆衰退的危险因素在临床实践中仍然是一个重大挑战.
• 早期检测对于及时干预和管理认知障碍至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测美国成年人的记忆力下降风险因素.
• 通过使用先进的分析技术,识别与记忆恶化相关的关键预测因素.
• 提高认知衰退早期风险评估的准确性.

主要方法:

• 在2015-2016年国家健康和营养检查调查 (NHANES) 中利用了9971人的数据.
• 应用最少绝对收缩和选择运算符 (LASSO) 进行预测选.
• 评估了五种ML算法:物流回归,ExtraTrees分类器,包装分类器,极端梯度提升 (XGBoost) 和随机森林 (RF).

主要成果:

• 最终的样本包括4525名受试者,其中7.7%的受试者经历了记忆力恶化.
• ExtraTrees分类器和XGBoost模型表现出优异的预测性能,曲线下面积 (AUC) 值分别为0.915和0.911.
• 这些模型在外部数据集上显示出一致的准确性 (AUC 0.851 和 0.843).

结论:

• ExtraTrees分类器和XGBoost模型在预测记忆衰退方面非常有效.
• 这些ML模型在识别有认知障碍风险的个体方面具有显著的临床价值.
• 需要进一步的研究来验证这些发现,并探索临床实施.