使用机器学习和电子医疗记录,对老年患者的认知性能进行分类

科学领域:

• 老年学和认知健康学
• 医疗信息学和机器学习

背景情况:

• 到2050年,痴呆率的上升将给全球卫生保健带来重大挑战.
• 对认知障碍的准确和高效的诊断工具是非常需要的.
• 电子医疗记录 (EMR) 数据为改善分类提供了潜在的资源.

研究的目的:

• 利用EMR数据来简化和增强认知障碍分类.
• 评估各种机器学习 (ML) 技术来分类认知表现.
• 确定主要预测因素,以区分健康人群与患有MCI和痴呆症的人群.

主要方法:

• 分析了283名老年人的EMR数据 (144名MCI,38名痴呆症,101名对照).
• 利用社会人口统计学变量,实验室结果,并发症,BMI和功能尺度作为输入特征.
• 评估了多个ML算法,包括非线性SVM (RBF内核) 和随机森林.

主要成果:

• 对于MCI分类,非线性SVM实现了69%的准确性,心肌梗塞史,维生素D3,IADL,年龄和作为关键预测因素.
• 对于痴呆症分类,随机森林实现了84%的准确性,IADL,ADL,教育,维生素D3和年龄作为关键预测因素.
• 非线性SVM和随机森林模型都超过了其他评估的ML技术.

结论:

• 脑电图数据是认知障碍初始分类的宝贵资源.
• 基于ML的方法可以显著帮助早期识别老年人群的认知衰退.
• 整合到初级保健可以促进及时转诊,以进行全面的认知评估.