开发基于机器学习的模型,用于检测接受维护血液透析的患者的认知障碍
Tsai-Chieh Ling1, Chiung-Chih Chang2, Jia-Ling Wu1,3
1Department of Internal Medicine, National Cheng Kung University Hospital, College of Medicine, National Cheng Kung University, Tainan, Taiwan.
European journal of neurology
|June 14, 2025
概括
机器学习模型使用简短的认知测试准确地选透析患者的认知障碍. 这种快速选工具可以有效地识别有风险的个人.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 神经学 神经学
- 数据科学数据科学数据科学
背景情况:
- 认知障碍很普遍,但在血液透析患者中往往没有被诊断出来.
- 早期检测对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证一种快速,准确的查工具,用于血液透析患者的认知障碍.
- 利用机器学习来有效识别认知能力下降.
主要方法:
- 一项涉及508名血液透析患者的横截面研究.
- 使用了迷你精神状态检查 (MMSE) 和认知能力查仪器 (CASI) 数据.
- 使用关键的MMSE/CASI项目开发和比较了六个机器学习模型 (Lasso,CART,RF,XGBoost,SVM,ANN).
主要成果:
- 大约40%的参与者表现出认知障碍 (CASI得分低于20百分位).
- 随机森林 (RF) 模型表现出卓越的预测性能,准确度为0.94,AUC为0.95,F1得分为0.92.
- 大多数模型,不包括CART,显示了可比的AUC值.
结论:
- 机器学习模型可以有效地选血液透析患者的认知障碍,使用MMSE和CASI的一些问题.
- 这种方法可以快速 (不到5分钟) 准确地识别这一群体的认知缺陷.
更多相关视频
06:46Automated, Long-term Behavioral Assay for Cognitive Functions in Multiple Genetic Models of Alzheimer's Disease, Using IntelliCage
Published on: August 4, 2018
12.1K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
991
