使用认知功能痴呆症 (CFD) 测试组和机器学习区分痴呆症患者与抑郁症患者和健康对照组

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 老年病的医生 老年病的医生

背景情况:

• 痴呆症 (DEM) 和抑郁症 (DEP) 表现出类似的早期认知障碍,使老年人的差异诊断复杂化.
• 神经心理评估是黄金标准,但可以通过机器学习 (ML) 来增强,以提高诊断准确度.

研究的目的:

• 评估ML算法在区分健康对照 (HC),痴呆症 (DEM) 和老年人抑郁症 (DEP) 之间的有效性.
• 评估不同类型的输入数据 (原始分数,调整分数,T分数) 对分类准确性的影响.

主要方法:

• 采用了四种ML算法 (SVM,NB,RF,GLMnet) 和物流回归 (LR).
• 利用基于平板电脑的认知功能痴呆症 (CFD) 神经心理测试电池的数据.
• 将参与者分为HC (n=407),DEM (n=131) 和DEP (n=145) 组.

主要成果:

• 通过使用原始CFD分数,GLMnet算法在区分DEM和HC时达到高达94.0%的准确性.
• 纯粹的贝叶斯算法在使用原始分数对DEM和DEP进行分类时达到高达80.8%的准确性.
• 语言记忆,单词流和处理速度被确定为差异诊断的关键特征.

结论:

• 结合CFD电池的ML算法显示为临床医生的决策辅助.
• 这种方法可以帮助在老年人群中对痴呆症和抑郁症的差异诊断.
• 进一步的研究可以完善ML模型,以便更精确的临床应用.