轻度认知障碍和痴呆症的多变量预测模型:算法开发和验证

科学领域:

• 老年学是一门学科.
• 计算神经科学是一种神经科学.
• 公共卫生 公共卫生

背景情况:

• 轻度认知障碍 (MCI) 和痴呆症带来诊断挑战,影响个人和医疗保健系统.
• 早期检测对于及时干预和减轻痴呆症负担至关重要.
• 机器学习 (ML) 为预测认知衰退提供了先进的数据分析功能.

研究的目的:

• 评估各种ML模型的预测准确度,以识别MCI和痴呆发病.
• 在此评估中使用韩国老化纵向研究 (KLoSA) 数据集.
• 确定影响认知障碍预测的关键社会人口统计和健康因素.

主要方法:

• 对来自4975名老年人 (≥60岁) 的KLoSA数据 (2018-2020年) 的分析.
• 应用多个ML模型 (逻辑回归,XGBoost,随机森林等) 用于预测和预测.
• 使用接收器运行特征曲线下的面积 (AUC) 和特征重要性的Shapley值来评估模型性能.

主要成果:

• 随机森林是MCI预测的最佳模型 (AUC 0.6729).
• 在痴呆症预测方面,XGBoost表现优越 (AUC 0.8185).
• 对于MCI的关键预测因素包括疼痛,寡妇,单身生活和运动;对于痴呆症,教育水平,运动和社会参与是显著的.

结论:

• 机器学习算法,特别是XGBoost,对预测老年人认知障碍有很大的希望.
• 目前的模型需要进一步改进,以获得强大的MCI和痴呆症预测准确度.
• 社会人口结构和健康因素对于早期认知状况识别和干预策略至关重要.