基于机器学习的社区老年人使用听觉语言学习测试预测痴呆症的进展
Xin-Yan Xie1, Lin-Ya Huang2, Dan Liu1
1Hubei Provincial Clinical Research Center for Alzheimer's Disease (XYX, LYH, DL, GRC, FFH, JZ, JJZ, GBH, JWG, XCL, JYW, DYZ, JL, QQN, DS, SYL, CC, YYC, LX, YMO, XXC, YLZ, YSC, JQL, ZW, QW, YFM, YZ), Tian You Hospital Affiliated to Wuhan University of Science and Technology, Wuhan; Geriatric Hospital Affiliated to Wuhan University of Science and Technology (XYX, DL, GRC, FFH, LX, YMO, XXC, YLZ, JQL, QW, YFM, WT, YZ), Wuhan; School of Public Health (XYX, DL, LX, YMO, YSC, JQL, ZW, YZ), Wuhan University of Science and Technology, Wuhan.
机器学习模型可以使用记忆测试和人口统计数据预测老年人的痴呆症. 这种方法有助于在初级保健机构的早期检测和干预.
科学领域:
- 老年学是一门学科.
- 人工智能的人工智能
- 认知科学 认知科学
背景情况:
- 痴呆症诊断在初级医疗保健中具有挑战性.
- 早期发现痴呆症对于及时干预至关重要.
研究的目的:
- 开发和验证机器学习模型,以预测老年人的痴呆症.
- 从认知评估中确定痴呆症发展的关键预测特征.
主要方法:
- 开发了四种机器学习模型 (逻辑回归,决策树,随机森林,梯度增强树).
- 分析了一组1162名具有正常认知能力的老年人.
- 模型在一个独立的队列 (n=1,370) 上使用封装特征选择进行了验证.
主要成果:
- 随机森林模型在初级队列中实现了93%的准确性和0.88的AUC.
- 外部验证显示随机森林的可接受性能 (AUC=0.81).
- 在验证队列中,逻辑回归表现更好,AUC为0.88.
结论:
- 机器学习为初级保健中痴呆症预测提供了一个可行的策略.
- 记忆测试和人口统计数据是关键预测因素.
- 该框架支持认知变化监测和早期干预.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
06:48Lexical Decision Task for Studying Written Word Recognition in Adults with and without Dementia or Mild Cognitive Impairment
Published on: June 25, 2019
相关概念视频
Cognitive Development During Adulthood
Dementia
The progression of dementia is generally gradual....
