机器学习模型用于泰国北部老年人的脆弱分类:模型开发和验证研究

科学领域:

• 老年学是一门学科.
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 脆弱性是老年人脆弱性增加的状态,导致较高的发病率和死亡率.
• 早期识别和干预可以改善脆弱个体的身体功能和健康结果.
• 泰国缺乏用于脆弱性查的机器学习集成,尽管有全球证据.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于在泰国社区居住的老年人中早期诊断脆弱性.
• 为了利用个人特征和人类测量数据用于ML模型生成.
• 为弥补泰国基于ML的脆弱性监测方面的差距.

主要方法:

• 利用了2692名来自Lampang (2016-2017) 的泰国社区老年人的数据集,用于模型开发和内部验证.
• 外部验证的模型使用来自清迈 (2021) 的数据集.
• 实现并比较各种ML算法:k-最近的邻居,随机森林,多层感知子,后勤回归,梯度增强和支持向量机.

主要成果:

• 后勤回归显示出最佳性能,接收器运行特征曲线下的面积为0.81 (内部验证) 和0.75 (外部验证).
• 开发的模型与外部验证数据集中预期的概率进行了良好的校准.
• 评估了多个ML算法在脆弱性检测中的有效性.

结论:

• 开发的ML模型显示了作为泰国老年人脆弱性查工具的潜力.
• 这些模型使用简单,可访问的人口和临床变量进行早期识别.
• 这种方法可以促进早期干预,帮助个人恢复体力.