机器学习支持的自我疏忽风险预测在中国社区居住的老年人中
Teng-Fei Li1, Yuan Xu2, Jian-Wei Li2
1Department of Health Promotion and Behavioural Sciences, School of Public Health, Anhui Medical University, Hefei, China.
概括
老年人自我疏忽 (ESN) 经常被忽视. 这项研究确定了诸如生活质量和社会支持等关键预测因素,以开发老年人早期检测和预防的预测模型.
科学领域:
- 老年学是一门学科.
- 公共卫生 公共卫生
- 医疗保健中的人工智能
背景情况:
- 老年人自我疏忽 (ESN) 是影响老年人健康结果的一个重要问题.
- ESN经常被低估,并被视为私人事务.
- 开发有效的风险预测工具对于早期发现和预防至关重要.
研究的目的:
- 为预测老年人自我疏忽风险构建一个强大而有效的工具.
- 确定与ESN轨迹相关的关键预测因素.
- 为了比较用于ESN风险预测的各种机器学习模型的性能.
主要方法:
- 在马安山健康衰老队列 (MHAC) 数据 (n=2494) 上使用基于组的轨迹建模 (GBTM).
- 应用特征选择并比较了六种机器学习模型:决策树,KNN,后勤回归,随机森林,SVM和XGBoost.
- 为了解决数据不平衡,使用合成少数群体过量采样技术 (SMOTE).
主要成果:
- 确定了两个ESN轨迹组:上升和稳定.
- 最优的随机森林 (RF) 模型,有八个预测因素,显示出强大的预测性能 (AUC 0.635-0.765与SMOTE).
- 关键预测因素包括生活质量,心理性,社会支持,教育和收入.
结论:
- 开发的随机森林 (RF) 模型为预测老年人自我疏忽风险提供了一种简单的科学方法.
- 这种工具可以帮助早期识别有风险的社区老年人.
- 突出了心理社会因素在老年人自我疏忽中的重要性.
