从多队列数据中开发和验证一种机器学习模型,用于对高风险轻度认知障碍的早期查
Xuan Wu1, Xuecheng Yao2, Jianing Shi1
1Department of Information Technology, the Fourth Affiliated Hospital and International School of Medicine, International Institutes of Medicine, Zhejiang University, Yiwu 322000 Zhejiang Province, China.
International journal of medical informatics
|July 9, 2025
概括
现在可以使用基本的物理数据对老年人轻度认知障碍 (MCI) 的早期查. 机器学习模型预测MCI风险,帮助及时干预和预防痴呆症.
科学领域:
- 老年学是指老年学的学科.
- 医疗保健中的人工智能
- 生物统计学 生物统计学
背景情况:
- 轻度认知障碍 (MCI) 是痴呆症的前体,需要在老年人群中早期检测.
- 目前的MCI查方法通常是不切实际的,并且无法广泛使用.
- 基本体检数据为可访问的MCI早期查提供了潜在的途径.
研究的目的:
- 开发和验证机器学习模型,用于在老年人中早期查轻度认知障碍 (MCI).
- 确定可预测MCI的关键体检变量.
- 为MCI风险预测创建一个实用的工具.
主要方法:
- 利用中国健康与退休纵向研究 (CHARLS) 的数据进行模型开发和外部验证.
- 为预测模型选择了七个关键变量 (教育,握力,身高,体重,肌,平均体积,血小板计数).
- 采用了一个随机森林机器学习模型,其优异性能得到了验证.
主要成果:
- 开发的模型实现了高诊断性能:90.6%的灵敏度,85.0%的特异性和85.5%的准确性.
- 实现了0.93的接收器操作特征曲线 (AUROC) 下面的面积和0.93.93的精度召回曲线 (AUPRC) 下面的面积.
- 外部验证证明了强大的通用性,AUROC为0.83和0.87.
结论:
- 通过使用基本的物理数据,成功开发了用于早期MCI查的机器学习模型.
- 这些模型表现出良好的性能,可通用性和临床适用性.
- 为可访问的MCI风险预测创建了一个基于Web的计算器,以促进临床实施.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.2K
06:23The 4 Mountains Test: A Short Test of Spatial Memory with High Sensitivity for the Diagnosis of Pre-dementia Alzheimer's Disease
Published on: October 13, 2016
32.7K