为可访问的早期认知障碍预测优化机器学习模型:一种新的具有成本效益的模型选择算法

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 认知障碍和痴呆症在临床表现前几年就会出现.
• 未被诊断的痴呆病例普遍存在,特别是在低收入和中等收入国家,由于对诊断工具的获取有限.
• 科学文献中缺乏用于早期认知障碍诊断和预测的可访问工具.

研究的目的:

• 开发一个具有成本效益和可访问的机器学习模型,用于在临床症状出现前五年预测认知障碍风险.
• 为了确定高性能,计算效率高的模型,用于早期认知障碍检测.

主要方法:

• 利用国家阿尔茨海默氏症协调中心 (NACC) 统一数据集 (UDS) 数据进行模型培训和评估.
• 开发了一种新的算法,用于选择具有成本效益,高性能机器学习模型.
• 执行特征选择,时间序列分析和选择模型的外部验证.

主要成果:

• 与神经网络模型相比,支持矢量机 (SVM) 模型显示出更高的成本效益和性能.
• 在交叉验证中获得F2得分0.828,在概括性测试中获得0.750.
• 人口统计和历史健康数据被确定为早期认知障碍检测的关键预测因素.

结论:

• 机器学习为开发可访问和准确的工具提供了可行的途径,用于早期认知障碍预测.
• 开发的SVM模型为早期风险评估提供了具有成本效益的解决方案.
• 未来的努力应集中在创造负担得起的评估工具,以支持全球痴呆症行动计划.