基于NHANES的机器学习用于认知障碍分类和血液和听力值的表征,用于与年龄相关的听力损失

科学领域:

• 老年学是一门学科.
• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 认知障碍 (CI) 在老年人群中构成了重大挑战,特别是在聋人中.
• 早期发现CI对于及时干预和管理至关重要.
• 听力学特征和血液学标记在聋人CI中的相互作用尚未完全理解.

研究的目的:

• 开发和评估一种机器学习分类模型,用于识别老年聋患者的认知障碍 (CI).
• 分析特定血液指数和听力特征在CI诊断中的预测性贡献.
• 确定在这个人口群体中对CI分类最有影响力的关键特征.

主要方法:

• 利用了来自833名老年聋人参与者的血液和听力测试数据,跨越了三个国家健康和营养检查调查 (NHANES) 周期.
• 开发并比较了五种机器学习算法:物流回归,随机森林 (RF),XGBoost,人工神经网络 (ANN) 和支持矢量机器 (SVM).
• 根据性能指标选择了最佳模型,并将其用于功能重要性排名.

主要成果:

• 随机森林 (RF) 模型表现出最高的性能,曲线下的面积 (AUC) 为0.834.
• 对CI的显著预测因素包括性别,缩血压,3kHz (PTA+3kHz) 的纯色平均值,中性粒细胞百分比,水平,6kHz的听力值,糖化血红蛋白和淋巴细胞计数.
• 特性重要性分析显示,血液学和听力学数据都有明显的贡献.

结论:

• 血液学标志物和特定的听力值,特别是3kHz,是识别年龄相关听力损失 (ARHL) 个体的CI的重要指标.
• 这些发现强调了整合血液指数和听力学数据的潜力,以开发聋老年人群中非侵入性CI查工具.
• 需要进一步的临床研究来验证这些发现并探索它们的治疗含义.