可解释的机器学习模型用于社区居住的老年人的脆弱性前风险评估

科学领域:

• 老年学是一门学科.
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 老年人的脆弱性是一个重大问题,与增加的健康风险和降低生活质量有关.
• 虚弱前期,虚弱的前体,是可以识别和潜在的可逆性,但它的评估和决定因素仍然具有挑战性.
• 居住在社区的老年人是预防脆弱性干预的关键人口.

研究的目的:

• 开发和验证一种可解释的机器学习模型,用于评估脆弱性前风险.
• 确定导致老年人患前脆弱性风险的关键决定因素.
• 提供一个全面的框架,以了解和解决先前脆弱性的问题.

主要方法:

• 利用来自中国健康与退休长度研究的60岁以上3141名成年人的数据.
• 使用物理脆弱现象型尺度中的一个或两个标准定义了预先脆弱性.
• 采用递归特征消除和堆叠-CatBoost蒸模块,用于在20%的持久集上进行模型构建和验证.

主要成果:

• 开发了一个蒸的CatBoost模型,使用来自2508名老年人的57个预测特征.
• 在持久数据上实现了高的区分精度 (AUROC:0.7560).
• 确定了生活城市,身体质量指数 (BMI) 和峰值呼气流 (PEF) 作为前三大风险贡献者.

结论:

• 使用先进的机器学习开发了一个准确和可解释的框架,用于使用先进的机器学习进行脆弱性前风险评估.
• 该模型整合了各种各样的特征,以便对脆弱前期有细微的理解.
• 该框架支持在社区居住的老年人中进行全面的脆弱性前风险评估.