在种族和种族多样化的群体中提高可能痴呆症估计的准确性,并处罚回归和转移学习

科学领域:

• 公共卫生 公共卫生
• 流行病学 流行病学
• 机器学习 机器学习

背景情况:

• 算法痴呆状态估计对于公共卫生和流行病学研究至关重要.
• 现有的算法在种族/种族群体之间表现差异,限制了它们的实用性.
• 解决这些差异对于公平的健康研究至关重要.

研究的目的:

• 通过转移学习方法提高特定群体"可能痴呆症"估计的准确性.
• 提高种族/少数民族痴呆症估计算法的性能.
• 为了证明转移学习在改进算法预测中的有效性.

主要方法:

• 采用转移学习方法,将大型"源"数据集与不精确的结果和较小的"目标"数据集与精确的结果相结合.
• 采用了健康和退休研究 (N=6,630) 的数据作为来源,并将协调认知评估协议 (N=2,388) 作为目标.
• 使用Brier分数 (精度),校准指标 (截止,斜率) 和辨别能力 (AUC,AUPRC) 评估模型性能.

主要成果:

• 转移学习算法在非西班牙裔黑人参与者中表现出优异的性能,与之前的算法相比 (Brier 0.049 vs. 0.061; AUC 0.84 vs. 0.81; AUPRC 0.52 vs. 0.39).
• 同样,在西班牙裔参与者中也观察到更好的准确性 (Brier 0.052与0.056;AUC 0.89与0.87;AUPRC 0.61与0.56).
• 转移学习提高了评估组的整体准确性,校准性和区分能力.

结论:

• 转移学习提供了一种强大的方法来提高痴呆状态估计的准确性.
• 这种方法特别有效地提高了在历史上在研究中代表性不足的种族/种族群体的预测.
• 这些发现支持在公共卫生和流行病学研究中更广泛地应用转移学习,以获得更公平的结果.